hec montrÉal facteurs expliquant l’absence...
TRANSCRIPT
HEC MONTRÉAL
Facteurs expliquant l’absence systématique de gestion des risques d’une
partie des pétrolières américaines
par
Sofiane Chaouche
Sous la direction du professeur Georges Dionne
Sciences de la gestion
(Option Finance)
Projet supervisé présenté en vue de l’obtention
du grade de maîtrise ès sciences
(M. Sc)
Juin 2020
© Sofiane Chaouche, 2020
2
Résumé
Plusieurs études antérieures ont montré que la gestion des risques pouvait faire augmenter la valeur
des entreprises qui se couvraient. Or, il a été observé, à partir d’un échantillon de 150 producteurs
de pétrole américains, qu’une partie des entreprises ne se couvraient jamais contre les fluctuations
des prix du pétrole. Le but de ce projet est d’étudier les facteurs qui pourraient expliquer ce
comportement.
Une analyse descriptive ainsi que des tests univariés sont appliqués, dans le cadre de cette étude,
afin de comparer les caractéristiques des entreprises pétrolières américaines qui ne se couvrent
jamais avec celles qui ont un ratio de couverture moyen strictement positif.
La recherche est ensuite approfondie en étudiant les facteurs qui ont une influence sur la décision
des entreprises de notre échantillon de se couvrir ou non contre les fluctuations des prix du pétrole,
puis en étudiant les facteurs qui ont une influence sur le choix de la taille de la couverture (pour les
entreprises qui ont décidé de se couvrir). Le modèle de sélection de Heckman est utilisé dans cette
optique.
Les résultats de l’étude indiquent que les entreprises qui ne se couvrent jamais sont, en moyenne,
plus rentables et moins contraintes financièrement que les entreprises qui ont un ratio de couverture
strictement positif. Elles disposent également de plus grandes quantités de réserves de pétrole et de
gaz. Il ressort également des résultats que la décision de se couvrir d’un côté et le choix de la taille
de la couverture de l’autre sont liés à des déterminants différents. Ainsi, parmi les résultats les plus
notables, il apparait que la décision de se couvrir est corrélée positivement aux contraintes
financières et à la proportion des compétiteurs qui se couvrent, tandis que la taille de la couverture
est corrélée positivement à la taille des réserves de pétrole ainsi qu’à la concentration géographique
de la production de pétrole et de gaz de l’entreprise.
3
Table des matières
I INTRODUCTION 5
II REVUE DE LA LITTÉRATURE 7
II.1 HAUSHALTER, « FINANCING POLICY, BASIS RISK, AND CORPORATE HEDGING: EVIDENCE FROM OIL
AND GAS PRODUCERS » 7
II.2 ZHU, « THE DECISION TO HEDGE AND THE EXTENT TO HEDGE » 9
II.3 KUN MO, FARRUKH SUVANKULOV AND SOPHIE GRIFFITHS, « FINANCIAL DISTRESS AND HEDGING:
EVIDENCE FROM CANADIAN OIL FIRMS » 12
II.4 TIM R. ADAM , CHITRU S. FERNANDO , JESUS M. SALAS, « WHY DO FIRMS ENGAGE IN SELECTIVE
HEDGING? EVIDENCE FROM THE GOLD MINING INDUSTRY » 14
III MODÈLE ÉCONOMÉTRIQUE : LE MODÈLE DE SÉLECTION DE HECKMAN 17
III.1 PRÉSENTATION GÉNÉRALE DU MODÈLE DE SÉLECTION DE HECKMAN 17
III.2 PREMIÈRE ÉTAPE DU MODÈLE DE SÉLECTION DE HECKMAN (PROBIT) 19
III.3 DEUXIÈME ÉTAPE DU MODÈLE DE SÉLECTION DE HECKMAN (RÉGRESSION MULTIVARIÉE) 20
III.4 VARIABLE D’EXCLUSION 23
IV CONSTRUCTION DE L’ÉCHANTILLON, STRUCTURE DES DONNÉES ET
DESCRIPTION DES VARIABLES 24
IV.1 CONSTRUCTION DE L’ÉCHANTILLON 24
IV.2 STRUCTURE DES DONNÉES 25
IV.3 DESCRIPTION DES VARIABLES 25
V STATISTIQUES DESCRIPTIVES 29
V.1 RATIO DE COUVERTURE DE LA PRODUCTION DE PÉTROLE 29
V.2 CARACTÉRISTIQUES OBSERVABLES DES ENTREPRISES 29
V.3 CONDITIONS DE MARCHÉ 32
V.4 MATRICE DE CORRÉLATIONS 33
VI RÉSULTATS DES TESTS UNIVARIÉS 34
VII RÉSULTATS DU MODÈLE DE SÉLECTION DE HECKMAN 37
VIII CONCLUSION 40
TABLEAUX ET FIGURES 42
BIBLIOGRAPHIE 74
4
Liste des tableaux et des figures Tableau 1: Distribution des entreprises en fonction du nombre d’observations.………………...42
Tableau 2 : Statistiques descriptives des caractéristiques des entreprises de notre échantillon.....43
Tableau 3 : Centiles correspondant aux caractéristiques des entreprises de notre échantillon…..44
Tableau 4 : Résultats des test univariés comparant les caractéristiques des entreprises qui ne se
couvrent jamais à celles des entreprises qui se couvrent…………………………………………46
Tableau 5 : Statistiques descriptives des caractéristiques des entreprises en fonction de la
fréquence de couverture…………………………………………………………………………..48
Tableau 6 : Statistiques descriptives relatives à la couverture de la production de pétrole………51
Tableau 7 : Couverture moyenne de la production de pétrole en fonction des années…………...51
Tableau 8 : Statistiques descriptives relatives aux conditions de marché du pétrole et du gaz…..55
Tableau 9 : Matrice de corrélation de Pearson……………………………………………………56
Tableau 10 : Matrice de corrélation de Spearman………………………………………………..60
Tableau 11 : Résultats des tests univariés comparant les caractéristiques des entreprises en
fonction de la fréquence de couverture…………………………………………………………...64
Tableau 12 : Résultats du test de Kolmogorov-Smirnov comparant les distributions des
caractéristiques des entreprises qui ne se couvrent jamais à celles des entreprises qui se
couvrent…………………………………………………………………………………………..67
Tableau 13 : Résultats du test de Kolmogorov-Smirnov comparant les distributions des
caractéristiques des entreprises qui ne se couvrent jamais à celles des entreprises qui
appartiennent à différents intervalles de fréquences de couverture………………………………68
Tableau 14 : Résultats de la première étape du modèle de Heckman…………………………….70
Tableau 15 : Résultats de la deuxième étape du modèle de Heckman…………………………...72
Figure 1 : Ratios de couverture annuels moyens…………………………………………………52
Figure 2 : Ratios de couverture trimestriels moyens……………………………………………..53
Figure 3 : Évolution des prix au comptant et des volatilités du pétrole et du gaz dans le temps…54
5
I Introduction
Plusieurs études théoriques (Smith et Stulz, 1985; Froot, Scharfstein et Stein, 1993) et empiriques
(Allayannis et Weston, 2001; Carter, Rogers et Simkins, 2006; Dionne et Mnasri, 2018) montrent
que la gestion des risques peut permettre d’augmenter la valeur des entreprises non-financières.
Cependant, en étudiant les entreprises pétrolières américaines entre 1998 et 2011, nous observons
une absence systématique de couverture chez un certain nombre d’entre elles. Plus précisément,
sur un échantillon de 150 entreprises pétrolières américaines, nous constatons que 48 entreprises
ont un ratio de couverture moyen égal à zéro sur la période étudiée.
Ainsi, notre étude s’intéresse dans un premier temps aux facteurs qui peuvent expliquer l’absence
systématique de gestion des risques des entreprises pétrolières de notre échantillon. Ceci sera mené
à travers une analyse descriptive des différentes variables observables pertinentes. Plus
précisément, nous comparerons les entreprises dont le ratio de couverture est systématiquement
nul, avec les entreprises dont le ratio de couverture moyen est strictement positif.
Notre étude s’intéressera, dans un deuxième temps, aux facteurs qui ont un impact significatif sur
la décision des entreprises de notre échantillon de se couvrir, puis aux facteurs qui ont un impact
significatif sur le choix de la taille de la couverture. La méthodologie utilisée sera le modèle de
sélection de Heckman. Le premier avantage de ce modèle est qu’il permet de séparer l’analyse en
deux étapes : lors de la première étape du modèle de sélection de Heckman nous analyserons les
déterminants de la décision des entreprises de se couvrir contre les fluctuations des prix du pétrole
(il s’agit d’un choix binaire, à savoir se couvrir ou ne pas se couvrir), puis lors de la deuxième étape
nous analyserons les déterminants de la taille de la couverture (la valeur du ratio de couverture)
pour les firmes qui ont décidé de se couvrir lors de la première étape. Nous pensons, en nous basant
sur la littérature antérieure (Haushalter, 2000; Zhu, 2012), que les déterminants de ces deux
décisions peuvent être significativement différents.
Le deuxième avantage de ce modèle est la correction du biais de sélection provoqué par la présence
d’un grand nombre de ratios de couverture nuls dans l’échantillon. En effet, lorsque nous étudierons
les facteurs qui ont un impact sur la taille de la couverture, les observations correspondant à des
ratios de couverture nuls seront exclues de l’estimation, ce qui causera un biais de sélection. La
description du modèle de Heckman sera présentée en détail à la section III.
Les résultats principaux de l’analyse descriptive et des tests univariés indiquent que les 48
entreprises qui ne se couvrent jamais ont, en moyenne, des revenus par action plus élevés, des
6
opportunités d’investissement plus élevées, des contraintes financières plus faibles (levier financier
plus faible et ratio de liquidité plus élevé) et des réserves de pétrole et de gaz plus élevées que les
autres entreprises de l’échantillon. Ceci laisse suggérer que les entreprises les plus rentables et les
moins contraintes financièrement ont moins recours à la couverture que les autres. Autrement dit,
les entreprises utiliseraient leurs ressources financières comme substituts au recours à des
instruments de couverture.
Les résultats principaux du modèle de Heckman indiquent, quant à eux, qu’il y a bel et bien un
biais de sélection dans notre échantillon. Ceci est dû au fait que le sous-ensemble des entreprises
qui ont des ratios de couverture strictement positifs n’est pas un sous-ensemble aléatoire de
l’échantillon total. Nous avons également trouvé que le choix de se couvrir ou non d’un côté, et le
choix de la taille de la couverture d’un autre côté, sont déterminés par des facteurs différents,
conformément à nos anticipations.
Plus précisément, plus une entreprise est contrainte financièrement (levier financier élevé et ratio
de liquidité faible) plus la probabilité qu’elle a de se couvrir est élevée. De plus, la décision de se
couvrir d’une entreprise est corrélée positivement et significativement avec les opportunités
d’investissement qu’elle détient, avec la proportion de ses compétiteurs qui se couvrent et avec le
pourcentage de ses actions détenues par des investisseurs institutionnels.
D’un autre côté, les entreprises avec des réserves de pétrole plus élevées, un levier financier plus
élevé et une plus forte concentration géographique de la production de pétrole et de gaz, ont en
moyenne, toutes choses étant égales par ailleurs, des ratios de couverture plus élevés.
Nos résultats indiquent également que la structure de rémunération des gestionnaires n’a pas
d’impact significatif sur la décision de se couvrir et peu d’impact sur le choix de la taille de la
couverture.
Le reste de notre étude sera organisé comme suit :
À la section II nous présenterons une revue de littérature d’articles traitant des déterminants de la
gestion des risques et utilisant différentes méthodologies. À la section III nous décrirons en détail
le modèle économétrique que nous avons utilisé lors de notre analyse multivariée, à savoir le
modèle de sélection de Heckman. À la section IV nous décrirons la base de données ainsi que les
variables utilisées lors de notre analyse. La section V contiendra les statistiques descriptives
relatives aux différentes variables pertinentes à notre analyse. La section VI présentera les résultats
7
de nos tests univariés. La section VII présentera les résultats de notre modèle multivarié (modèle
de sélection de Heckman). Pour finir, à la section VIII sera présentée la conclusion de notre étude.
II Revue de la littérature
II.1 Haushalter, « Financing policy, basis risk, and corporate hedging:
evidence from oil and gas producers » Dans cet article, l’auteur étudie les activités de gestion des risques de producteurs de pétrole et de
gaz, en examinant le lien entre le ratio de couverture de la production de pétrole et de gaz (fraction
de la production couverte) contre les variations des prix et différentes caractéristiques de ces
entreprises. L’auteur fait l’hypothèse que la politique de couverture est motivée par plusieurs
facteurs, dont trois sont étudiés dans l’article. Le premier facteur étudié est la réduction des coûts
associés à la détresse financière et aux investissements futurs. Ceci a pour objectif de protéger le
financement interne de l’entreprise, lui permettant ainsi d’entreprendre des investissements futurs
en recourant le moins possible au financement externe (auprès des banques par exemple, ce qui est
plus coûteux que le financement interne).
Le deuxième facteur est la diminution des paiements espérés d’impôts. En effet, lorsque le montant
d’impôts payé est une fonction convexe du revenu imposable (ce qui est le cas lorsque le taux
d’imposition marginal est progressif), l’entreprise peut réduire ses paiements espérés d’impôts en
diminuant la variance de son revenu imposable. Pour terminer, le troisième facteur est la volonté
des gestionnaires averses aux risques (et dont une grande partie de la richesse est investie dans
l’entreprise qu’ils gèrent) de réduire la variabilité des revenus des entreprises, réduisant ainsi leur
propre exposition aux risques. Les données utilisées concernent 100 entreprises et vont de l’année
1992 à l’année 1994, inclusivement. L’auteur montre que la taille de la couverture est positivement
liée aux contraintes financières. Plus précisément, un ratio d’endettement au-dessus de la médiane
de l’échantillon et un ratio de liquidité en-dessous de la médiane de l’échantillon correspondent à
une fraction de la production couverte plus élevée. D’un autre côté, il existe une relation négative
entre le ratio de couverture et le risque de base associé aux instruments de couverture. Ceci veut
dire que les entreprises qui ont une production concentrée dans des régions géographiques où les
prix du pétrole et du gaz sont faiblement corrélés avec ceux des instruments de couverture ont une
fraction de production couverte plus faible. Plus cette corrélation est faible, moins la couverture
est efficace, ce qui devrait entrainer selon l’auteur une couverture plus faible de la part des firmes.
8
Lors d’une première étape, afin de trouver les déterminants de la politique de couverture des
entreprises, l’auteur a estimé plusieurs modèles TOBIT, en utilisant dans un premier temps des
régressions en coupes transversales (c’est-à-dire une régression pour chaque année), puis en
utilisant dans un deuxième temps des données agrégées (en utilisant toutes les observations de 1992
jusqu’à 1994 dans une seule et même régression). L’utilisation du modèle TOBIT se justifie par la
présence d’un grand nombre de ratios de couverture nuls dans l’échantillon dans la mesure où un
grand nombre d’entreprises n’entreprennent aucune activité de couverture sur cette période (54
entreprises en 1992, 49 en 1993 et 40 en 1994). Le modèle TOBIT suppose dans ce cas que la
variable dépendante (ratio de couverture) est censurée à zéro, c’est-à-dire que les variables
indépendantes sont observées pour toutes les entreprises de l’échantillon tandis que la variable
dépendante n’est observée que pour une partie de cet échantillon. Parmi les résultats principaux de
l’estimation de ces modèles l’auteur trouve que le ratio de couverture a une relation positive et
significative avec le ratio d’endettement, avec le taux d’imposition marginal et avec l’endroit de
production (le coefficient de la variable relative à l’endroit de production est statistiquement
significatif dans toutes les régressions, ce qui indique que le risque de base est un déterminant
important de la politique de gestion des risques des producteurs de pétrole et de gaz étudiés). À
l’opposé, le ratio de couverture a une relation négative avec le nombre d’options exerçables
détenues par le PDG (résultats obtenus lors de la régression sur les données agrégées ainsi que sur
les données de 1994). De plus, ce ratio de couverture est plus faible parmi les entreprises qui ont
une bonne notation de leur dette, ce qui correspond à BBB ou plus (significatif seulement dans le
cas de la régression sur données agrégées). Le ratio de couverture n’a pas de relation significative
avec la taille de l’entreprise ou avec la détention d’actions par la direction.
Ensuite, lors d’une deuxième étape, l’auteur utilise une autre méthodologie qui permet d’analyser
séparément les déterminants de la décision de se couvrir et les déterminants de la taille de la
couverture. En effet, le modèle TOBIT ne prend pas en considération le fait que la décision de se
couvrir et le choix de la taille de la couverture puissent dépendre de facteurs différents (puisque le
modèle TOBIT estime un seul coefficient par variable explicative). L’auteur utilise alors un modèle
de Cragg afin de pallier cette lacune. Le modèle de Cragg est un modèle en deux étapes où la
probabilité de se couvrir est estimée à la première étape grâce à un PROBIT, puis la taille de la
couverture (conditionnellement au fait de se couvrir lors de la première étape) est estimée à la
deuxième étape grâce à une régression sur données tronquées (c’est-à-dire en n’utilisant que les
observations pour lesquelles le ratio de couverture est strictement positif). Les résultats de cette
première étape indiquent que les déterminants de la décision de se couvrir diffèrent
significativement des déterminants de la taille de la couverture. En effet, l’auteur montre que la
9
décision de se couvrir (mesurée par la probabilité de se couvrir) a une relation positive et
significative avec la taille de l’entreprise (représentée par le logarithme des actifs totaux, ceci
indique que la mise en place d’un programme de gestion des risque est peut-être trop coûteux pour
les petites entreprises), avec l’endroit de la production (indicateur du risque de base, les entreprises
qui ont un risque de base plus faible, c’est-à-dire qui produisent dans des endroits où il y a une forte
corrélation entre les prix des actifs sous-jacents et des instruments de couverture, ont une plus
grande probabilité de se couvrir). L’auteur montre ensuite que la décision de se couvrir a une
relation négative avec la proportion d’actions détenues par les directeurs, contrairement aux
prédictions de l’auteur. L’auteur montre que plusieurs variables affectent différemment la décision
de se couvrir d’un côté et la taille de la couverture de l’autre. Ainsi, la taille de l’entreprise a une
forte relation positive et significative avec la décision de se couvrir, mais n’a pas de relation
significative avec la taille de la couverture (résultat obtenu dans le cas des données agrégées et dans
le cas de presque toutes les régressions estimées en coupes transversales). À l’opposé, l’auteur
montre que le ratio d’endettement a une forte relation positive et significative avec la taille de la
couverture (conditionnellement au fait de se couvrir), mais n’a pas de relation significative avec la
décision de se couvrir. L’auteur montre clairement que les indicateurs de contraintes financières
(ratio d’endettement, notation de la dette, paiement de dividendes) ont une relation significative
avec la taille de la couverture (plus une entreprise est contrainte financièrement plus son ratio de
couverture est élevé) mais n’ont quasiment pas de relation significative avec la décision de se
couvrir. Le risque de base, quant à lui, joue un rôle plus significatif dans la décision de se couvrir
(comparativement au rôle joué dans la taille de la couverture). Pour finir, il existe une relation
négative et significative entre la part des revenus des entreprises issue de la production de pétrole
(par opposition à la part issue de la production de gaz) et la taille de la couverture,
conditionnellement au fait de se couvrir. Cela signifie que les entreprises concentrées dans la
production de pétrole se couvrent moins que celles concentrées dans la production de gaz.
Néanmoins, le fait qu’une entreprise soit plus concentrée dans la production de pétrole n’a pas de
relation statistiquement significative avec la décision de se couvrir.
II.2 Zhu, « The decision to hedge and the extent to hedge » Dans cet article, l’auteure analyse séparément les déterminants de la décision des entreprises de se
couvrir contre les fluctuations des prix des matières premières (utilisées comme intrants dans le
processus de production d’un bien final) et les déterminants de la taille de la couverture. Dans cette
optique, elle utilise un grand échantillon de données portant sur 579 entreprises opérant dans 10
10
industries et qui couvrent une large période de temps (de 1994 à 2008). Parmi les principaux
résultats de cet article l’auteure trouve que la décision de se couvrir a une relation positive et
significative avec la taille de l’entreprise, avec le fait d’avoir un département de gestion des risques
qui est déjà installé (identifié dans l’article par le fait de couvrir d’autres types de risques) et avec
la proportion des compétiteurs de l’entreprise qui se couvrent (dans la même industrie). La taille
de la couverture (conditionnellement au fait de se couvrir), quant à elle, a une relation négative et
significative avec les préférences pour le risque des gestionnaires (PDG). De plus, la longueur de
la période de temps couverte permet à l’auteure d’étudier les facteurs qui déterminent le passage
d’une situation de non-couverture à une situation de couverture (transition d’une situation à une
autre pour la première fois). L’auteure étudie également les facteurs qui expliquent qu’une
entreprise se couvre différemment de ses compétiteurs et compare les différentes industries en ce
qui a trait aux pratiques de gestion des risques. L’auteure montre que les firmes qui ne se couvrent
pas sont plus petites, ont moins de dettes, ont des dépenses en recherche et développement (R&D)
et des dépenses d’investissement plus faibles, sont moins profitables et ont des indices de Kaplan-
Zingales (KZ) plus élevé que celles qui se couvrent. Un indice de Kaplan-Zingales plus élevé
indique qu’une entreprise a plus de risques d’éprouver des difficultés financières lorsque les
conditions financières se détériorent. Une entreprise dans cette situation aura alors plus de mal à
financer ses activités. Parmi les firmes qui se couvrent, celles qui ont un ratio de couverture plus
bas que la médiane de l’industrie sont plus âgées, ont des dépenses en R&D et en investissement
plus faibles, ont des PDG plus jeunes et ont un système de rémunération (de leurs gestionnaires)
qui comporte une plus grande part d’options et d’actions. À l’opposé, les firmes qui ont un ratio de
couverture plus élevé que la médiane de l’industrie sont quant à elle plus grandes, plus rentables et
ont une plus grande valeur de marché. Ces résultats indiquent qu’un manque de ressources
financière peut être un frein à la mise en place d’un programme de couverture. L’auteure montre
aussi que la probabilité qu’une entreprise se couvre pour la première fois (transition de la situation
de non-couverture vers la situation de couverture) augmente lorsque ses indices KZ diminuent,
lorsque la notation de sa dette s’améliore ou bien lorsque sa profitabilité augmente. Ceci indique
qu’une entreprise se couvre pour la première fois lorsque sa situation financière s’améliore au point
de lui permettre de mettre en place un programme de gestion des risques.
En ce qui concerne la taille de la couverture, elle dépend fortement des préférences pour le risque
et des caractéristiques des PDG. La taille de la couverture est associée positivement à l’âge des
PDG et associée négativement au nombre d’options détenues par ces derniers. De plus, les
entreprises qui ont des PDG qui sont à la fois jeunes (moins de 45 ans) et qui détiennent plus
d’options ont une plus grande probabilité de dévier de la moyenne de la couverture de l’industrie.
11
Cet article étudie séparément la décision de se couvrir et le choix de la taille de la couverture en
utilisant un modèle sélection de Heckman à deux étapes (la première étape est menée grâce à un
PROBIT et la deuxième étape est menée grâce à un modèle de régression multivarié). La première
étape consiste en l’estimation de la probabilité qu’a une firme de se couvrir en fonction de certaines
caractéristiques. La deuxième étape permet de trouver les déterminants de la taille de la couverture
conditionnellement au fait de se couvrir (c’est-à-dire en ne prenant en compte que les observations
pour lesquelles le taux de couverture est strictement positif). Le modèle de sélection de Heckman
a également l’avantage de corriger le biais de sélection qui résulte de la présence d’un grand nombre
de ratios de couverture nuls dans l’échantillon. En effet, l’ensemble des observations correspondant
à un ratio de couverture strictement positif n’est pas un sous-échantillon aléatoire de l’ensemble
des observations totales. Utiliser seulement ces ratios de couvertures positifs lors de l’estimation
de la régression multivariée crée donc un biais de sélection.
Les résultats de l’estimation de la première étape du modèle de Heckman indiquent que la
probabilité de se couvrir est corrélée positivement et significativement avec la taille de l’entreprise,
son ratio d’endettement, la notation de sa dette et la proportion d’actions dans la rémunération des
PDG. Le fait d’avoir un programme de couverture pour les autres types de risques auxquels est
exposé l’entreprise (qui indique que l’entreprise a un département de gestion des risques qui est
déjà implanté) correspond à une plus grande probabilité de couvrir le risque principal étudié (risque
lié à la variation des prix des intrants). L’auteure trouve également que plus la proportion de
concurrents de l’entreprise (dans la même industrie) qui se couvrent est élevée, plus la probabilité
qu’a l’entreprise de se couvrir à son tour est élevée. De plus, la probabilité de se couvrir est corrélée
négativement avec les indices de KZ de l’entreprise, avec le fait d’avoir une dette notée
inférieurement à BBB et avec l’indice d’Herfindahl (indice mesurant la concentration de marché
d’une industrie).
En ce qui concerne les déterminants de la transition du statut de non-couverture à celui de
couverture (pour la première fois), l’auteure trouve que la notation de la dette, le ratio
d’endettement, l’indice KZ et la rentabilité des actifs sont les facteurs qui ont la plus grande
influence sur la probabilité d’effectuer cette transition (les entreprises commencent à se couvrir
pour la première fois lorsque leur situation financière s’améliore). L’auteure conclut donc que la
mauvaise situation financière d’une entreprise constitue le déterminant principal de l’absence de
couverture (l’entreprise n’a pas les moyens financiers de mettre sur pied un programme de
couverture).
12
Les résultats de l’estimation de la deuxième étape du modèle de Heckman indiquent que les facteurs
qui ont la plus grande influence sur la taille de la couverture (conditionnellement au fait de se
couvrir lors de la première étape) sont l’âge du PDG (les PDG plus jeunes sont supposés moins
averses au risque), la part d’options dans la rémunération globale du PDG, le niveau des prix passés
de l’intrant, le ratio de couverture moyen de l’industrie ainsi que la rentabilité des actifs. L’auteure
conclut donc que les préférences des gestionnaires en matière de prises de risques sont les
déterminants les plus importants de la taille de la couverture. L’auteure note également que le
niveau des prix passés de l’intrant couvert a un impact significatif sur la taille de la couverture. Ce
dernier résultat indique, selon l’auteure, que le choix de la taille de la couverture peut être fait dans
un but spéculatif de la part de certains gestionnaires (en se basant sur leurs anticipations quant à
l’évolution des prix futurs).
Il ressort donc de cet article que la décision de se couvrir d’une entreprise dépend de sa capacité
financière (capacité à mettre en place un programme de gestion des risques) tandis que la taille de
la couverture dépend grandement des préférences des gestionnaires en matière de risque.
II.3 Kun Mo, Farrukh Suvankulov and Sophie Griffiths, « Financial distress
and hedging: evidence from Canadian oil firms » Dans cette article les auteurs étudient la relation entre la détresse financière et les activités de
couverture des entreprises pétrolières canadiennes (couverture contre les variations des prix du
pétrole). Plusieurs variables de contrôle relatives aux caractéristiques des entreprises sont
également utilisées. Afin de mener cette étude les auteurs utilisent des données annuelles allant de
2005 à 2015 sur un échantillon final de 92 entreprises pétrolières canadiennes (pour un nombre
total de 636 observations, représentant des données de panel non-balancées). La variable principale
qui est étudiée est le ratio de couverture, qui correspond au ratio entre la production de pétrole
couverte et la production de pétrole totale. Les statistiques descriptives indiquent que les entreprises
de l’échantillon ont un ratio de couverture moyen de 12.4% sur la période allant de 2005 à 2015.
De plus, plus de la moitié des observations totales (342 observations sur 636) correspondent à un
ratio de couverture nul.
Les indicateurs de détresse financière utilisés par les auteurs sont le ratio d’endettement, la notation
de la dette de l’entreprise (notations de Standard & Poor’s) et le Z-score d’Altman (score qui prédit
la probabilité de faillite d’une entreprise). Un Z-score plus bas que 1.81 représente un risque élevé
13
de défaut sur la dette, un Z-score au-dessus de 2.99 représente un faible risque de défaut. Un Z-
score entre 1.81 et 2.99 correspond un risque de défaut à surveiller.
Les auteurs montrent que le Z-score moyen de l’échantillon en 2015 est égal à 0.40 (en fort déclin
depuis 2005, à cause de la forte hausse du niveau d’endettement des entreprises pétrolières
canadiennes sur cette période).
Les auteurs ont appliqué deux méthodologies qui prenaient en considération la présence d’un aussi
grand nombre de ratios de couverture nuls dans les observations. Ces deux méthodologies traitent
ces ratios nuls différemment. La première méthode considère que les valeurs nulles représentent le
ratio de couverture choisi réellement par l’entreprise, tandis que la deuxième méthode considère
que les valeurs nulles correspondent à des ratios de couverture qui sont non-observables (et non
pas de vrais ratios de couverture nuls). Chaque méthodologie fait donc des hypothèses différentes
sur la signification à accorder à un ratio de couverture nul. Premièrement, les auteurs ont supposé
que les entreprises ont décidé de choisir un ratio de couverture nul, ils ont alors appliqué un modèle
semi-paramétrique de Honoré à effet fixes (il s’agit d’un modèle de régression sur données de panel
avec des données censurées). Deuxièmement, les auteurs ont supposé que le ratio de couverture de
beaucoup d’entreprises est non-observable. Ceci s’applique notamment dans le cas de la couverture
interne, où les firmes peuvent par exemple compenser des pertes dues à la baisse du prix du pétrole
brut par des marges plus élevées sur le pétrole raffiné vendu au détail. Ainsi, une valeur nulle du
ratio de couverture ne représente par conséquent pas la vraie valeur du ratio de couverture dans ce
cas de figure. Dans ce cas, la présence de ces valeurs nulles crée un biais de sélection. Les auteurs
ont alors appliqué un modèle de sélection de Heckman afin de corriger ce biais, modèle qui offre
également l’avantage d’analyser séparément les déterminants de la décision de se couvrir et les
déterminants de la taille de la couverture.
En ce qui concerne le modèle semi-paramétrique de Honoré à effet fixes, les résultats relatifs aux
variables indicatrices de détresses financières (dette de court terme, dette de long terme, Z-score
d’Altman et côte de crédit) sont statistiquement significatifs. Plus précisément, le ratio de
couverture est corrélé positivement à la dette de court-terme et à celle de long-terme. D’un autre
côté, le ratio de couverture est corrélé négativement avec les Z-score d’Altman et à une amélioration
de la côte de crédit.
Les résultats du modèle de sélection de Heckman indiquent quant à eux que la dette de long-terme
et le Z-score d’Altman ont une relation statistiquement significative avec la décision de se couvrir
et avec la taille de la couverture (relation positive en ce qui concerne la dette de long terme et
14
négative en ce qui concerne le Z-score). La dette de court terme, quant à elle, a un impact positif et
significatif sur la décision de se couvrir mais n’a pas d’impact significatif sur la taille de la
couverture.
Les auteurs interprètent les résultats des variables associées à la détresse financière par le fait que
les entreprises pétrolières canadiennes se sont très fortement endettées lors de la période étudiée.
Elles étaient par conséquent exposées à des pertes beaucoup plus élevées en cas d’évolution
défavorable des prix du pétrole. Ceci a alors poussé ces entreprises à entreprendre des activités de
couverture de manière intensive.
En ce qui concerne les variables de contrôle, les variables relatives aux conditions de marché sont
non significatives pour le modèle de Heckman. En effet, le niveau des prix du pétrole et la volatilité
des prix du pétrole (coefficient de variation des prix quotidiens de pétrole) n’ont de relation
significative ni avec la décision de se couvrir ni avec la taille de la couverture.
Néanmoins, ces variables ont une relation négative et significative avec la taille de la couverture
lorsque l’on considère plutôt les résultats du modèle de Honoré. Les auteurs interprètent ce dernier
résultat par le fait que la couverture devient trop coûteuse lorsque la volatilité est trop élevée. En
effet, une volatilité trop élevée peut rendre les teneurs de marché réticents à s’engager dans des
contrats de couverture (alors qu’ils sont habituellement les contrepartistes des entreprises désirant
se couvrir grâce à des produits dérivés).
Pour finir, les auteurs montrent que la variable relative à la taille de l’entreprise est corrélée
positivement et significativement avec la décision de se couvrir (plus une entreprise est grande plus
elle a la capacité financière de mettre sur pied un programme de gestion des risques), mais n’a pas
de lien significatif avec la taille de la couverture (ni dans le modèle de Heckman ni dans celui de
Honoré).
II.4 Tim R. Adam , Chitru S. Fernando , Jesus M. Salas, « Why do firms
engage in selective hedging? Evidence from the gold mining industry » Les auteurs étudient l’utilisation de la gestion des risques à des fins spéculatives dans l’industrie
minière spécialisée dans l’extraction et l’exploitation de l’or. Cette pratique est appelée couverture
sélective. Il s’agit de la modification du moment (timing) et de la taille de la couverture (via
l’utilisation de produits dérivés) en fonction des prévisions de marché des gestionnaires, et ce à des
fins spéculatives (réaliser un profit et non pas se couvrir contre les risques).
15
Les auteurs étudient la relation qui existe entre d’un côté la couverture sélective des entreprises de
l’échantillon et de l’autre côté un certain nombre de facteurs. Ces facteurs sont l’avantage
informationnel (censé permettre aux entreprises d’avoir le meilleur timing possible dans la mise en
œuvre de leurs couverture sélective), la solidité financière (les entreprises ayant de grandes
ressources financières seraient en mesure de prendre plus de risques en utilisant la couverture
sélective, sans mettre en danger leurs activités principales) et pour finir la volonté des entreprises
en situation de détresse financière de procéder à une substitution d’actifs (des créanciers vers les
actionnaires). Les hypothèses de départ des auteurs sont que les grandes firmes devraient spéculer
plus que les petites firmes. En effet, les grandes firmes ont plus de chances d’avoir une position
dominante sur le marché, ce qui leur octroierait un avantage informationnel quant à l’évolution
future du prix de l’or. Information essentielle dans une optique de spéculation. Une autre hypothèse
est que les entreprises les plus solides financièrement devraient spéculer plus que celles qui sont
faibles financièrement. En effet, les entreprises solides financièrement ont plus de chances
d’absorber les pertes éventuelles liées à une évolution défavorable des prix (évolution des prix
contraire aux anticipations sur lesquelles a été basée la stratégie de spéculation). Ils font également
l’hypothèse que les gestionnaires qui détiennent le plus d’options d’achat d’actions de leur
entreprise spéculent le plus (afin d’augmenter la probabilité d’exercer leurs options).
L’échantillon utilisé dans l’analyse est composé de données trimestrielles relatives à 92 entreprises
minières nord-américaines spécialisées dans l’exploitation de l’or, qui couvrent la période allant de
1989 à 1999. Il existe un grand nombre de zéros dans l’échantillon final (plus de 40% des
observations correspondent à des ratios de couverture nuls). Afin de tenir compte de ces
observations, les auteurs utilisent le modèle de sélection de Heckman, qui est estimé en deux étapes.
La première étape s’intéresse à la décision des entreprises de se couvrir ou de ne pas se couvrir. La
deuxième étape, quant à elle, étudie le choix de la taille de la couverture de la part des entreprises,
conditionnellement au fait de se couvrir lors de la première étape. Ce modèle corrige également le
biais de sélection qui résulte de l’exclusion zéros (observations qui correspondent à des ratios de
couverture nuls) lors de l’estimation des déterminants de la taille de la couverture à la deuxième
étape du modèle de Heckman. En effet, les observations qui restent après l’exclusion des zéros ne
constituent sans doute pas un sous-ensemble aléatoire de l’échantillon initial. Ceci est à l’origine
de ce biais de sélection.
Ensuite, les auteurs utilisent les ratios de couverture estimés lors de la deuxième étape du modèle
de Heckman afin de mesurer le niveau de spéculation de chaque entreprise.
16
En effet, la mesure de la spéculation correspond à l’ampleur de la différence entre le ratio de
couverture réel d’une entreprise (valeur observée) et le ratio de couverture prédit (valeur estimée)
lors de la deuxième étape du modèle de Heckman. La mesure de la spéculation correspond donc
aux résidus de l’estimation de la deuxième étape du modèle de Heckman.
Les principaux résultats statistiquement significatifs du modèle de Heckman indiquent que la taille
de l’entreprise est corrélée positivement à la probabilité de se couvrir dans un premier temps, puis
à la taille de la couverture dans un deuxième temps. Selon les auteurs, ce résultat supporte l’idée
que plus une entreprise est grande, plus elle a les moyens financiers de mettre en place un
programme de gestion des risques.
Les auteurs trouvent également que le ratio de liquidité est corrélé négativement à probabilité de se
couvrir dans un premier temps, puis à la taille de la couverture dans un deuxième temps.
L’interprétation que font les auteurs de ce résultat est que la détention de liquidités peut être utilisée
par les entreprises comme un substitut à la couverture.
Parmi les autres résultats, la probabilité de se couvrir ainsi que la taille de la couverture sont
corrélées négativement avec les opportunités d’investissement (mesurée par le ratio de la valeur
boursière sur la valeur comptable de l’entreprise) et avec le fait de payer des dividendes.
En ce qui concerne les principaux résultats relatifs à la spéculation, les auteurs trouvent une
corrélation positive entre la couverture sélective et la volatilité future du rendement de l’action de
l’entreprise. Ce résultat indique, selon les auteurs, que l’utilisation de la couverture à des fins
spéculatives augmente le risque. Deuxièmement, il y a une corrélation négative entre la couverture
sélective et la taille de l’entreprise, ce qui indiquerait que les petites entreprises spéculent plus que
les grandes entreprises (contrairement aux hypothèses de départ des auteurs). La couverture
sélective est également corrélée positivement à la probabilité qu’une entreprise soit en situation de
détresse financière (mesurée dans l’article par le Z-score d’Altman et le O-score de Ohlson). Ainsi,
les entreprises ayant des probabilités de faillite plus élevées spéculent, en moyenne, plus que les
autres (toutes choses étant égales par ailleurs). Les auteurs interprètent ce dernier résultat par la
volonté des gestionnaires de transférer des actifs des créanciers vers les actionnaires lorsque
l’entreprise est en situation de détresse financière.
17
III Modèle économétrique : le modèle de sélection de Heckman
III.1 Présentation générale du modèle de sélection de Heckman Le but de notre analyse multivariée est de trouver quels sont les facteurs qui jouent un rôle
déterminant dans le choix de la couverture des entreprises pétrolières de notre échantillon. Nous
montrerons lors de l’analyse descriptive de nos données (section V) que la variable dépendante de
notre analyse, à savoir le ratio de couverture des entreprises de notre échantillon à un trimestre
donné, prend une valeur nulle dans un grand nombre de cas. Dans le contexte de notre analyse, un
ratio de couverture nul peut avoir plusieurs significations :
- Des coûts fixes élevés de la mise en place d’un programme de couverture empêcheraient
certaines entreprises de se couvrir ce qui résulterait en un ratio de couverture nul. Ceci
explique le rôle important que joue la taille des entreprises dans la décision de se couvrir
(Haushalter, 2000; Zhu, 2012). En effet, plus une entreprise est grande, plus elle est en
mesure de supporter ces coûts fixes.
- Des anticipations de la part des gestionnaires quant à l’évolution future des prix inciteraient
certaines entreprises à ne pas se couvrir dans une optique de spéculation (Adam, Fernando
et Salas, 2017).
- Une bonne couverture interne de certaines entreprises leur permettrait de ne pas avoir
recours aux marchés pour se couvrir. Dans ce cas un taux de couverture nul correspondrait
à une valeur inobservée et non pas à une véritable couverture nulle (Mo, Suvankulov et
Griffiths, 2019).
Pour qu’une application d’un modèle de régression multivariée soit valide il faut que l’échantillon
sur lequel est menée l’analyse soit tiré aléatoirement de l’ensemble de la population. Or, utiliser
dans notre analyse multivariée seulement les observations qui correspondent à des ratios de
couverture positifs en laissant de côté les observations nulles entrainerait un biais de sélection.
Effectivement, le fait que les entreprises choisissent elles-mêmes leurs ratios de couverture sur la
base d’un certain nombre de facteurs implique que le sous-échantillon correspondant aux
entreprises ayant des ratios de couverture positifs n’a rien d’aléatoire. Effectuer une régression sur
ce sous-ensemble donnerait donc des résultats biaisés.
Le modèle de sélection de Heckman permet donc de corriger ce biais de sélection.
18
Le modèle que nous cherchons à estimer est :
Yit = β’X1it-1 + εi,
où Yit correspond au ratio de couverture de l’entreprise i au temps t et X1it-1 correspond au vecteur
des variables explicatives (décrites à la section IV.3) relatives à l’entreprise i au temps t-1. Le
vecteur β correspond aux coefficients qui doivent être estimés.
Dans ce qui suit, l’indice de temps a été laissé de côté afin d’alléger la notation. Toutes les variables
explicatives de notre modèle seront retardées d’une période (un trimestre) afin de permettre la
détermination de l’effet causal des variables indépendantes sur la variable dépendante.
Définissons également une variable latente Zi (c’est-à-dire une variable qui n’est pas mesurable
directement mais dont dépend la valeur prise par la variable dépendante observée Yi) avec :
Zi = α’X2i + µi .
Yi n’est observable que si la variable latente Zi est strictement supérieure à zéro. De même, Yi
prend la valeur zéro lorsque Zi est plus petite ou égale à zéro.
Ceci peut être noté comme suit :
Yi = β’X1i + εi, si Zi > 0
Yi = 0, si Zi ≤ 0.
Les situations où la variable Yi est observée seront représentées par la variable binaire Ii, qui prend
la valeur 1 lorsque Yi est observée et prend la valeur 0 lorsque ce n’est pas le cas. Par conséquent,
nous pouvons dire que :
Ii = 1 si Zi > 0
Ii = 0 si Zi ≤ 0
Cette variable Ii sera la variable dépendante de notre modèle PROBIT estimé lors de la première
étape du modèle de sélection de Heckman (voir section III.2).
Nous avons donc :
Yi = β’X1i + εi
Zi = α’X2i + µi
19
Nous supposons que les termes d’erreurs εi et µi sont distribués selon une loi normale bivariée de
moyennes nulles et de variances σY2 et σZ
2, avec une corrélation entre les deux termes d’erreurs
égale à ρ.
Un ρ ≠ 0 indiquerait la présence d’un biais de sélection.
En effet, ρ ≠ 0 veut dire les termes d’erreurs εi et µi sont corrélés entre eux. Ceci voudrait dire que
des facteurs non-observés qui agissent sur la décision des entreprises de se couvrir sont corrélés
avec des facteurs non-observés qui agissent sur le choix de la taille de la couverture. Par conséquent,
le sous-ensemble des entreprises qui ont des ratios de couverture strictement positifs ne serait pas,
dans ce cas, un sous-échantillon aléatoire de l’ensemble initial des entreprises (échantillon total).
Estimer une régression sur le sous-échantillon des entreprises qui ont des ratios de couverture
strictement positifs (en excluant donc les zéros) sans correction résulterait en la présence d’un biais
de sélection dans les paramètres estimés.
Les deux étapes décrites ci-dessous permettent de corriger les paramètres estimés de la présence
potentielle de ce biais de sélection.
III.2 Première étape du modèle de sélection de Heckman (PROBIT) La première étape de ce modèle consiste en une estimation d’un PROBIT afin de déterminer quel
est l’effet des variables explicatives sur la probabilité qu’a une entreprise de se couvrir. Ceci revient
à distinguer les entreprises qui se couvrent de celles qui ne couvrent pas en termes de facteurs
observables. Cette étape nous permettra également d’estimer un terme de correction du biais de
sélection décrit plus haut.
Notons X3 l’ensemble des variables explicatives utilisées lors de la première étape du modèle de
sélection de Heckman et X1 celles utilisées lors de la deuxième étape. Il est à noter que X1 est inclus
entièrement dans X3, c’est-à-dire que certaines variables explicatives ne serviront que lors de la
première étape (ces dernières sont appelées variables d’exclusion). Autrement dit, certaines
variables (celles présentes dans le vecteur de variables X3 mais pas dans X1) auront un impact
significatif sur la décision de se couvrir mais n’interviendront pas dans le choix de la taille de la
couverture. Cette question sera traitée à la section III.4.
20
La variable Ii (qui prend la valeur 1 si le ratio de couverture est strictement positif et prend la valeur
0 si le ratio de couverture est nul) sera la variable dépendante de notre modèle PROBIT estimé lors
de la première étape du modèle de sélection de Heckman. Ce modèle PROBIT, qui sera estimé sur
l’ensemble des observations, est de la forme suivante :
Pr(Ii = 1| X3i) = Φ(δ’X3i),
Où Pr représente une probabilité et Φ représente la fonction de répartition de la loi normale centrée
réduite.
Les paramètres de cette expression peuvent être estimés par maximum de vraisemblance. Les
résultats de cette estimation nous indiqueront quels sont les variables qui ont un impact significatif
sur la probabilité de se couvrir des entreprises pétrolières de notre échantillon initial. Ces résultats
nous permettront également de calculer le terme de correction du biais de sélection décrit plus haut.
III.3 Deuxième étape du modèle de sélection de Heckman (régression
multivariée) Nous avons vu plus haut que :
Yi = β’X1i + εi et Zi = α’X2i + µi
La variable dépendante Yi n’est observée que lorsque la variable latente Zi est strictement positive
(ce qui est le cas lorsque la variable Ii prend la valeur 1). Ainsi :
Yi = β’X1i + εi, si Zi > 0
Yi = 0, si Zi ≤ 0
Par conséquent :
E(Yi| X1i, Zi > 0) = E(β’X1i + εi| X1i, Zi > 0) = β’X1i + E(εi| X1i, µi > - α’X2i)
Étant donné que les termes d’erreurs εi et µi sont distribués selon une loi normale bivariée de
moyennes nulles et de variances σY2 et σZ
2, avec une corrélation entre les deux termes d’erreurs
égale à ρ, les propriétés de la loi normale bivariée nous permettent de réécrire l’expression
précédente comme suit :
21
E(Yi| X1i, Zi > 0) = β’X1i + ρ σY λi(δ’X3i)
Dans l’expression ci-dessus, λ représente le ratio de Mills inverse qui est définit comme suit :
λi(δ’X3i) = 𝛗𝛗(𝛅𝛅’𝐗𝐗𝟑𝟑𝟑𝟑)𝟏𝟏−𝚽𝚽(𝛅𝛅’𝐗𝐗𝟑𝟑𝟑𝟑)
Où :
φ est la fonction de densité de la loi normale centrée-réduite.
Φ est la fonction de répartition de la loi normale centrée-réduite.
Le ratio de Mills inverse (estimé à partir des résultats du PROBIT), qui est une fonction de la
probabilité de se couvrir d’une entreprise i, sera ensuite introduit comme variable explicative lors
de l’estimation de la deuxième étape du modèle de Heckman afin de corriger le biais de sélection
décrit plus haut. Cette deuxième étape sera estimée en utilisant uniquement les observations où le
ratio de couverture est strictement positif (en excluant les zéros).
Le modèle de régression à estimer lors de la deuxième étape peut donc s’écrire comme suit :
Yi = β’ X1i + ρ σY λi(δ’X3i) + Vi
Où
E(Vi| X1i, λi, µi > - α’X2i) = 0
C’est-à-dire que l’espérance conditionnelle du terme d’erreur Vi est nulle, ce qui constitue une
hypothèse essentielle de l’obtention d’estimateurs non-biaisés lors de l’estimation d’une régression
linéaire multiple.
Ainsi, estimer notre modèle de régression initial de la forme
Yi = β’X1i + εi
directement sur le sous-échantillon correspondant à des ratios de couverture strictement positifs
résulterait en des paramètres estimés β qui seraient biaisés du fait de l’omission du terme
ρ σY λi(δ’X3i)
22
lors du processus d’estimation. Nous pouvons donc voir que le biais de sélection peut être traité
dans ce cas comme un problème de variables omises. L’ajout de ce terme sert donc à corriger ce
problème.
Pour résumer, la procédure à suivre afin de trouver les déterminants de la décision de se couvrir et
ceux de la taille de la couverture (en corrigeant les estimateurs de la présence éventuelle d’un biais
de sélection) consiste à :
- Estimer la probabilité que Ii = 1 (qu’une entreprise se couvre) via un PROBIT en utilisant
l’ensemble des observations. La variable dépendante du PROBIT est la variable
dichotomique Ii qui prend la valeur 1 si le ratio de couverture est strictement positif et
prend la valeur 0 si le ratio de couverture est nul.
Le modèle PROBIT à estimer est donc de la forme suivante :
Pr(Ii = 1| X3i) = Φ(δ’X3i)
- Calculer à partir des résultats du PROBIT estimé la valeur
λi(δ’X3i) = 𝛗𝛗(𝛅𝛅’𝐗𝐗𝟑𝟑𝟑𝟑)𝟏𝟏−𝚽𝚽(𝛅𝛅’𝐗𝐗𝟑𝟑𝟑𝟑)
pour chaque observation i.
Ce terme, correspondant au ratio de Mills inverse, permettra de corriger le biais de sélection
auquel nous faisons face.
- Estimer sur le sous-échantillon correspondant à des ratios de couverture strictement positifs
(en excluant les zéros) un modèle de régression multiple en ajoutant la quantité λi(δ’X3i)
comme variable explicative. L’expression à estimer est donc :
Yi = β’ X1i + ρ σY λi(δ’X3i) + Vi
Ceci aura pour effet de corriger le biais de sélection décrit plus haut. Les paramètres β ainsi estimés
seront sans biais. Nous obtiendrons alors les effets qu’ont les variables explicatives de notre modèle
sur la taille de la couverture (représentée par le ratio de couverture).
Il est important de noter que si le coefficient associé à λi(δ’X3i) est statistiquement significatif, cela
indiquerait la présence d’un biais de sélection dans nos données.
Les résultats de notre analyse multivariée seront détaillés à la section VII.
23
III.4 Variable d’exclusion Afin que la correction de Heckman fonctionne correctement il est recommandé d’inclure dans la
première étape (estimation du PROBIT) une ou plusieurs variables qui auront un impact significatif
sur la décision de se couvrir sans avoir d’impact significatif sur la taille de la couverture. Dans
notre cas, en se basant sur l’article de Zhu (2012), nous avons défini une variable qui jouera ce rôle,
à savoir le pourcentage des compétiteurs de l’entreprise i qui se couvrent à un temps t donné (nous
avons calculé pour chaque temps t donné le pourcentage des compétiteurs de l’entreprise i qui ont
un ratio de couverture strictement positif). Ainsi, la décision de couverture d’une entreprise i au
temps t dépend des décisions de couverture de ses compétiteurs.
Plus précisément, une proportion plus élevée de compétiteurs de l’entreprise i qui se couvrent
augmente la probabilité que cette entreprise i se couvre à son tour.
À l’exception de la variable d’exclusion décrite ci-haut, toutes les autres variables explicatives
seront à la fois utilisées lors de l’estimation de la première étape (PROBIT sur l’ensemble des
observations) et lors de l’estimation de le deuxième étape (régression linéaire multiple sur les
observations correspondant à des ratios de couverture strictement positifs).
La raison de l’ajout de cette variable d’exclusion est la suivante : si le même ensemble de variables
explicatives est utilisé lors de la première et lors de la deuxième étape, λi serait alors fortement
corrélé avec X1i (puisque λi est une fonction de X3i et que dans ce cas de figure X1i serait égal à X3i),
ce qui causerait potentiellement un problème de multi-colinéarité lors de l’estimation de la
régression de la deuxième étape :
Yi = β’ X1i + ρ σY λi(δ’X3i) + Vi .
Par conséquent, afin de limiter le risque de rencontrer ce problème nous ajoutons la variable
d’exclusion décrite plus haut (pourcentage des compétiteurs de l’entreprise i qui se couvrent au
temps t) lors de la première étape de la procédure.
24
IV Construction de l’échantillon, structure des données et
description des variables
IV.1 Construction de l’échantillon L’échantillon utilisé pour notre étude a été construit par Mohamed Mnasri et a servi à l’étude des
implications de la gestion des risques sur la valeur, le risque et la performance comptable des
entreprises pétrolières américaines (Dionne et Mnasri, 2018).
L’échantillon contient des données trimestrielles allant de 1998 à 2011. Dans un premier temps,
une liste d’entreprises productrices de pétrole brut a été établie grâce au système de classification
des industries utilisé aux États-Unis (entreprises représentées par le code 1311 du Standard
Industrial Classification). Cette liste, extraite de Bloomberg, contenait initialement 413
producteurs de pétrole américains. Par la suite, les entreprises dont les informations ne sont pas
disponibles dans la base de données COMPUSTAT et dont les rapports comptables 10-K et 10-Q
ne sont pas disponibles dans la base de données EDGAR, ont été exclues de la liste. Les rapports
comptables 10-K et 10-Q résument la performance financière de chaque entreprise (émis
annuellement pour le 10-K et trimestriellement pour le 10-Q) et leur publication est exigée par la
U.S.Securities and Exchange Commission (organisme américain de réglementation et de contrôle
des marchés financiers). De plus, les entreprises dont les données relatives aux réserves de pétrole
sont disponibles pour moins de cinq années pendant la période 1998-2010 ont également été
exclues. Les données résultant de cette sélection forment un panel de 150 entreprises. La
description de la structure de ce panel sera présentée en détail à la section IV.2.
Une fois cette liste finale définie, les données relatives aux caractéristiques financières ont été
extraites de COMPUSTAT (données trimestrielles). Les données relatives à l’actionnariat
institutionnel ont été extraites de la base de données Thomson Reuters. Les données qui concernent
les réserves de pétrole et de gaz ainsi que les quantités produites ont été extraites de la base de
données de Bloomberg (données annuelles), puis vérifiées et complétées par des données extraites
manuellement des rapports 10-K annuels.
Pour finir, les données trimestrielles relatives aux activités de couverture des entreprises pétrolières
ont été collectées manuellement à partir des rapports 10-K et 10-Q.
25
IV.2 Structure des données Le tableau 1 illustre la distribution des entreprises en fonction du nombre d’observations
trimestrielles.
Les données sur les 150 entreprises ont une structure de panel non-balancé, avec des observations
allant du quatrième trimestre de 1997 au troisième trimestre de 2011, ce qui correspond à 56
trimestres couverts.
Le nombre minimum de trimestres pendant lesquels nous observons une même entreprise est de 17
trimestres, tandis que le maximum est de 53 trimestres. On peut dire également que 50% des
entreprises sont observées 49 trimestres ou plus, 44,66% d’entre elles (67 sur 150) sont observées
53 trimestres et 75% sont observées pendant 29 trimestres ou plus. Aucune entreprise n’a
d’observations sur l’ensemble des 56 trimestres. Pour finir, il est à noter que toutes les observations
d’une même entreprise sont consécutives (il n’y a pas de sauts de trimestres entre deux observations
d’une même entreprise).
IV.3 Description des variables La liste complète et la description des variables indépendantes qui serviront lors de notre analyse
sont présentées ci-dessous. Le choix de ces variables est basé sur l’article de Dionne et Mnasri
(2018) relatif aux implications de la gestion des risques des entreprises pétrolières américaines et
est cohérent avec les variables utilisées dans la littérature antérieure traitant des déterminants de la
gestion des risques des entreprises pétrolières et non-financières (Haushalter, 2000; Zhu, 2012; Mo,
Suvankulov et Griffiths, 2019).
- Bénéfice par action : est calculée en divisant le revenu net de l’entreprise par le nombre
d’actions en circulation. Cette variable donne des indications quant à la profitabilité de
l’entreprise.
- Rentabilité des capitaux propres : est calculée en divisant le revenu trimestriel net d’une
entreprise par la valeur comptable de ses fonds propres. Elle donne des indications quant à
la performance financière de l’entreprise.
- Opportunités d’investissement : est calculée en divisant les dépenses en capital
trimestrielles (pour l’acquisition d’immobilisations corporelles) par les immobilisations
corporelles nettes. Cette variable est calculée au début du trimestre et nous servira à
26
quantifier les opportunités d’investissement dans la mesure où ces dépenses en capital
servent à financer de nouveaux projets d’investissement.
- Levier financier : est calculée en divisant la valeur comptable des dettes totales par la
valeur comptable des actifs totaux. Cette variable donne de l’information essentielle quant
à la part de la dette qui est présente au bilan d’une entreprise. Cette variable sera, dans le
cadre de notre étude, une indicatrice des difficultés financières rencontrées par une
entreprise.
- Liquidité : est calculée en divisant la valeur comptable de la trésorerie et équivalents de
trésorerie par la valeur comptable du passif courant (passif à court terme). Cette variable
indique la capacité d’une entreprise à faire face à ses obligations de court-terme.
- Paiement de dividendes : cette variable binaire prend la valeur 1 si l’entreprise a déclaré
des dividendes durant le trimestre et prend la valeur 0 dans le cas contraire.
- Réserves de pétrole : correspond à la somme des réserves (prouvées) de pétrole
développées et non développées totales de chaque entreprise et est mesurée en millions de
barils. Cette variable prend la même valeur lors des quatre trimestres de chaque année
fiscale car ces données sont divulguées une fois par année. Nous utiliserons cette variable
comme un indicateur de la taille de l’entreprise. La valeur réelle de cette variable sera
utilisée lors de l’analyse descriptive et de l’analyse univariée, tandis que le logarithme de
la valeur de cette variable sera utilisé lors de l’analyse multivariée.
- Réserves de gaz : correspond à la somme des réserves (prouvées) de gaz développées et
non développées totales de chaque entreprise et est mesurée en milliards de pieds-cube.
Cette variable prend la même valeur lors des quatre trimestres de chaque année fiscale car
ces données sont divulguées une fois par année. Nous utiliserons également cette variable
comme un indicateur de la taille de l’entreprise. La valeur réelle de cette variable sera
utilisée lors de l’analyse descriptive et de l’analyse univariée, tandis que le logarithme de
cette valeur sera utilisé lors de l’analyse multivariée.
- Propriété institutionnelle : cette variable correspond au pourcentage des actions d’une
entreprise détenues par des investisseurs institutionnels. Ces investisseurs institutionnels
ont une capacité financière et des contraintes réglementaires élevées. Les actions d’une
entreprise qu’ils acquièrent font donc l’objet de vérifications préalables minutieuses et
approfondies. Ceci a pour effet de réduire l’asymétrie d’information qui existe autour de
l’entreprise en question.
- Nombre d’analystes : cette variable correspond au nombre d’analystes qui suivent une
entreprise et qui émettent des prévisions quant à ses revenus trimestriels. Similairement à
27
la variable précédente, un plus grand nombre d’analystes qui suivent une entreprise est un
indicateur d’une plus grande surveillance de cette entreprise, ce qui devrait également
réduire l’asymétrie d’information qui existe autour d’elle.
- Indice de Herfindahl-Hirschman pour la production de pétrole : cette variable mesure
la concentration géographique de la production de pétrole et est égal à
∑ �qi q�2
𝑁𝑁𝑖𝑖=1 , où qi est la production quotidienne de pétrole dans la région i (Afrique,
Amérique latine, Amérique du nord, Europe et Moyen-Orient sont les 5 régions auxquelles
i peut faire référence) et q est la production quotidienne totale de pétrole de l’entreprise.
Une valeur plus élevée de cet indice correspond à un niveau de concentration géographique
de la production plus élevé. Cet indice est compris entre 1/N (dans le cas d’une
diversification géographique parfaite) et 1 (lorsque toute la quantité produite se fait dans
une seule et même région géographique). Un indice de Herfindahl-Hirschman plus élevé
correspond donc à une concentration géographique de la production qui est plus élevée.
- Indice de Herfindahl-Hirschman pour la production de gaz : cette variable est calculée
exactement de la même façon que dans le cas de la production de pétrole.
- Risque de la production de pétrole : Cette variable est calculée à un trimestre donné
(pour chaque entreprise) en utilisant une fenêtre de données relatives à la production
quotidienne de pétrole correspondant à 12 trimestres. Afin de calculer la valeur de cette
variable au trimestre suivant, la fenêtre de 12 trimestres se décale d’un trimestre vers
l’avant. Cette variable correspond au coefficient de variation de la production quotidienne
de pétrole. Elle prend la même valeur pour les 4 trimestres d’une même année fiscale dans
la mesure où les données relatives à la production quotidienne de pétrole sont divulguées
une fois par année.
- Risque de la production de gaz : Cette variable est calculée à un trimestre donné (pour
chaque entreprise) en utilisant une fenêtre de données relatives à la production quotidienne
de gaz correspondant à 12 trimestres. Afin de calculer la valeur de cette variable au
trimestre suivant, la fenêtre de 12 trimestres se décale d’un trimestre vers l’avant. Cette
variable correspond au coefficient de variation de la production quotidienne de gaz. Elle
prend la même valeur pour les 4 trimestres d’une même année fiscale dans la mesure où
les données relatives à la production quotidienne de gaz sont divulguées une fois par année.
- Prix au comptant du pétrole : cette variable correspond à l’indice West Texas
Intermediate (WTI) à la fin de chaque trimestre. Le pétrole dont le prix est représenté par
28
cet indice est un pétrole brut qui est utilisé comme étalon pour la fixation du prix du pétrole
brut sur la New York Mercantile Exchange (NYMEX).
- Prix au comptant gaz : cette variable correspond à une moyenne des principaux indices
représentant les prix au comptant du gaz naturel.
- Volatilité du prix du pétrole : cette variable représente la volatilité historique des prix au
comptant du pétrole. Elle est déterminée en calculant l’écart-type de l’ensemble des prix
au comptant quotidiens du pétrole d’un même trimestre.
- Volatilité du prix du gaz : cette variable représente la volatilité historique des prix au
comptant du gaz naturel. Elle est déterminée en calculant l’écart-type de l’ensemble des
prix au comptant quotidiens du gaz naturel d’un même trimestre.
- Ratio de couverture de la production de gaz future espérée : cette variable est égale à
la moyenne des 5 taux de couverture annuels de la production de gaz espérée (future)
correspondant aux 5 années fiscales suivantes. Chaque taux de couverture annuel est
calculé en divisant la quantité notionnelle de gaz naturel couverte pour une année donnée
par la quantité de gaz produite espérée pour cette même année.
- Pourcentage d’actions détenues par le président directeur général : cette variable
correspond au pourcentage d’actions détenues par le PDG à la fin du trimestre.
- Nombre d’options détenues par le président directeur général : cette variable
correspond au nombre d’options détenues par le PDG à la fin du trimestre.
Ces deux dernières variables nous permettront de voir s’il existe une relation significative entre les
activités de couverture d’une entreprise et les modalités de rémunération de ses gestionnaires.
- Convexité de la structure d’imposition : cette variable a été construite par Antoine Godin
(2019). La méthodologie utilisée dans la construction de cette variable est celle décrite par
Graham et Smith (1999). Elle a été calculée en utilisant l’équation proposée par les auteurs
ainsi que les coefficients estimés dans leur étude. Cette variable a pour but de mesurer la
convexité de la structure d’imposition des entreprises. Plus concrètement, cette variable
donne le pourcentage de baisse des paiements d’impôts espérés consécutif à une réduction
de 5% de la volatilité des revenus imposables d’une entreprise. En effet, les entreprises qui
font face à une structure d’imposition convexe (zones où le taux d’imposition marginal est
progressif) peuvent, en théorie, utiliser la gestion des risques afin de réduire le montant
d’impôts à payer. En effet, la gestion des risques peut, dans ce cas de figure, réduire la
variabilité des revenus imposables des entreprises concernées, ce qui augmente la
29
probabilité qu’elles se retrouvent à un palier d’imposition inférieur. Plus la valeur de cette
variable est élevée, plus la convexité de la structure d’imposition d’une entreprise est forte.
V Statistiques descriptives
V.1 Ratio de couverture de la production de pétrole Les tableaux 6 et 7 ainsi que les figures 1 et 2 représentent quelques statistiques descriptives
relatives au ratio de couverture de la production de pétrole. Nous pouvons voir dans le tableau 6
que 2587 observations (sur 6326 observations totales) correspondent à des ratios de couverture
strictement positifs. Nous avons donc 3739 observations qui correspondent à des ratios de
couverture nuls.
Le ratio de couverture moyen en considérant l’ensemble des observations est de 18.84% (avec un
écart-type de 28.82% et une médiane égale à zéro). Le ratio de couverture moyen calculé en ne
prenant en compte que les observations correspondant à des ratios de couverture strictement positifs
est de 46.07% (avec un écart-type de 27.88% et une médiane de 44.56%).
Le tableau 7 et la figure 1 montrent l’évolution du ratio de couverture moyen en fonction des
années, tandis que et la figure 2 montre le ratio de couverture moyen par trimestre. Le ratio de
couverture moyen le plus bas, calculé sur l’ensemble des observations, a été atteint en 2001
(16.51%) et le plus élevé a été atteint en 2006 (20.13%). Lorsque nous excluons les observations
correspondant à des ratios de couvertures nuls, la valeur moyenne la plus basse est atteinte en 1999
(40.15%) et la plus élevée est atteinte en 2004 (49.50%).
V.2 Caractéristiques observables des entreprises Les tableaux 2 et 3 contiennent quelques statistiques descriptives (moyenne, écart-type, coefficient
d’asymétrie, centiles) de l’ensemble des variables explicatives pertinentes à notre analyse, en
utilisant l’ensemble des observations à chaque fois. Nous constatons que le revenu par action
moyen dans notre échantillon est de 8.1811 dollars, avec un écart-type très élevé de 284.68. Nous
remarquons également que le revenu par action médian (0.09), est beaucoup plus petit que la valeur
moyenne, ce qui indique la présence d’une forte asymétrie vers la gauche de la distribution (les
petites valeurs de revenus par action sont beaucoup plus fréquentes que les grandes valeurs, avec
99% des valeurs qui sont plus petites que 4.13 dollars), ce qui est confirmé par la valeur très élevée
30
du coefficient d’asymétrie de la variable revenu par action (38.85). Une autre façon de rendre
compte de la grande variabilité de cette variable est de comparer le revenu par action minimal de
notre échantillon, qui a une valeur négative de -1822 dollars, au revenu par action maximal, qui a
une valeur positive de 13145 dollars. Nous observons donc que cette variable contient quelques
valeurs aberrantes (valeurs extrêmes). En effet, on observe que 7 observations correspondent à des
revenus par action supérieurs à 100 dollars (avec des valeurs allant de 2050 dollars à 13145 dollars)
et que 2 observations correspondent à des revenus par action inférieurs à -100 dollars (-103 dollars
et -1822 dollars). En laissant de côté ces 9 observations extrêmes, le revenu par action a une
moyenne de 0.2054, une médiane de 0.09 et un écart-type de 1.77. Les statistiques descriptives
associées au revenu par action calculées après suppression de ces valeurs extrêmes nous serviront
lorsque nous compareront les entreprises de notre échantillon sur la base des variables observables.
En ce qui concerne les indicateurs de détresse financière que sont le levier financier et le ratio de
liquidité, nous observons que la valeur moyenne et la valeur médiane du levier financier (qui est
égale à la valeur comptable de la dette totale divisée par la valeur comptable des actifs totaux)
observées sur l’ensemble des observations sont presque égales, avec des valeurs respectives de
0.5162 et 0.5231, ce qui indique un endettement relativement élevé des entreprises pétrolières
présentes dans notre échantillon. L’écart-type correspondant est de 0.2851. D’un autre côté, le ratio
de liquidité moyen observé est supérieur à 1 (valeur de 1.5554), ce qui indique que les entreprises
de notre échantillon seraient, en moyenne, en mesure de faire face à leurs obligations de court
terme. Néanmoins, nous constatons que l’écart-type du ratio de liquidité est beaucoup plus élevée
que la moyenne de cette variable (5.3345), que la médiane (0.2750) est beaucoup plus petite que la
moyenne et que le coefficient d’asymétrie est très élevé (13.92), ce qui indique qu’une petite
proportion d’entreprises a des ratios de liquidité élevés, ce qui fait augmenter fortement la moyenne
(seulement 18% des observations correspondent à des ratios de liquidité plus élevées que le ratio
de liquidité moyen).
Les réserves de pétroles et de gaz seront utilisées dans notre analyse comme des indicateurs de la
taille des entreprises. Les réserves moyennes de pétrole dans notre échantillon (réserves
développées et non développées) sont de 276.71 millions de barils, tandis que la valeur médiane
des réserves de pétrole est beaucoup plus petite que la moyenne, avec une valeur de 8.01 millions
de barils. Ceci indique la présence dans l’échantillons d’un petit nombre d’observations avec des
réserves de pétrole très élevées qui ont un grand impact sur la moyenne (plus de 88% des réserves
de pétrole observées sont plus petites que la moyenne, tandis que 5% (1%) des observations des
31
réserves de pétrole ont une valeur plus élevée que 871 (8520) millions de barils). Un écart-type
élevé de 1277.73 millions de barils illustre cette grande variabilité.
En ce qui concerne les réserves de gaz, les réserves moyennes de gaz dans notre échantillon
(réserves développées et non développées) sont de 1504.19 milliards de pieds-cube, tandis que la
valeur médiane est également beaucoup plus petite que la moyenne, avec une valeur de 99.46
milliards de de pieds-cube. On observe ici également une grande asymétrie vers la gauche dans la
distribution des réserves de gaz (plus de 83% des réserves de gaz observées sont plus petites que la
moyenne, tandis que 5% (1%) des observations des réserves de gaz ont une valeur plus élevée que
6701 (25150) milliards de de pieds-cube). Un écart-type élevé de 5888 milliards de pieds-cube
illustre également cette grande variabilité. Il est à noter que dans notre analyse multivariée nous
utiliserons les logarithmes des variables relatives aux réserves de pétrole et de gaz comme variables
explicatives.
Nous pouvons voir également que les opportunités d’investissement (correspondant au montant des
dépenses en capital divisé par le montant des immobilisations corporelles nettes) ont une valeur
moyenne de 0.1289, une valeur médiane de 0.0624, un écart-type de 2.3330, et plus de 82% des
opportunités d’investissement observées sont plus petites que la moyenne.
Par rapport à la rémunération des actionnaires, nous pouvons voir qu’un dividende a été payé lors
de 26.54% de l’ensemble des 6326 trimestres pour lesquels nous avons des observations.
Nous remarquons également que le nombre moyen d’options détenues par les présidents directeurs
généraux (PDG) est de 174386 options, mais la variabilité est très élevée comme en témoigne
l’écart-type de 681760. Le pourcentage moyen de détention d’actions par les PDG est, quant à lui,
égal à 0.43%. Il est intéressant de noter également que dans 60% des observations les PDG ne
détiennent aucune option et dans 58% des observations les PDG ne détiennent aucune action.
En ce qui concerne la concentration géographique de la production des entreprises pétrolières
américaines, la valeur moyenne de l’indice de Herfindahl-Hirschman en ce qui a trait à la
production de pétrole est égale à 0.8995, tandis qu’elle s’élève à 0.9372 pour la production de gaz.
On observe un indice de Herfindahl-Hirschman égal à 1 (ce qui correspond à la concentration de
toute la production dans une seule et unique région géographique) dans plus de 80% des
observations en ce qui concerne la production de pétrole et dans plus de 85% des observations en
ce qui concerne la production de gaz. La combinaison de ces informations témoigne d’une très forte
concentration géographique dans la production de pétrole et de gaz dans notre échantillon.
32
Nous constatons également que 33.37% des actions des entreprises de notre échantillon sont
détenues, en moyenne, par des investisseurs institutionnels, avec une valeur médiane de 21.59% et
un écart-type de 34.55%. De plus, plus de 28% des observations correspondent à une proportion
d’actions détenues par des investisseurs institutionnels qui est égale à zéro, tandis que plus de 19%
des observations correspondent à une proportion d’actions détenues par des investisseurs
institutionnels qui est supérieure à 75%. Nous pouvons voir également que le nombre moyen
d’analystes qui suivent une firme est de 5.11 (médiane égale à 2), avec néanmoins une grande
variabilité dans les résultats (écart-type égal à 6.91). Plus précisément, dans plus de 39% des
observations l’entreprise n’est suivie par aucun analyste, tandis que dans près de 20% des
observations l’entreprise est suivie par plus de 10 analystes.
Concernant les risques de la production de pétrole et de gaz, le coefficient de variation de la
production quotidienne de pétrole a une valeur moyenne de 0.2724 et une valeur médiane de 0.1686
(avec un écart-type de 0.3018), tandis que le coefficient de variation de la production quotidienne
de gaz a une valeur moyenne de 0.2726 et une valeur médiane de 0.1806 (avec un écart-type de
0.2805).
Pour finir, la valeur de convexité moyenne de la structure d’imposition est de 0.0525 (avec une
valeur médiane de 0.0480 et un écart-type de 0.0512).
V.3 Conditions de marché En ce qui concerne les conditions de marché, la figure 3 montre l’évolution des prix et volatilités
du pétrole et du gaz sur la période couverte par nos observations et le tableau 8 contient quelques
statistiques descriptives relatives à ces variables. Le prix au comptant moyen du pétrole sur cette
période est de 48.80 dollars (médiane de 37.05 et écart-type de 28.67) et la volatilité moyenne du
prix du pétrole est de 3.25 (médiane de 2.37 et écart-type de 2.86).
Le prix au comptant moyen du gaz sur cette même période est quant à lui de 5.03 dollars (avec une
médiane de 4.75 et un écart-type de 2.63) tandis que la volatilité moyenne du prix du gaz est de
0.72 (médiane de 0.47 et écart-type de 0.56).
Il est à noter également que le prix du pétrole a atteint son niveau maximal sur cette période (140
dollars) lors du deuxième trimestre de 2008, tandis que le prix du gaz a atteint son niveau maximal
sur cette période (13.43 dollars) lors du troisième trimestre de 2005.
33
V.4 Matrice de corrélations Le tableau 9 contient les corrélations pour toutes les paires possibles des variables explicatives
pertinentes à notre analyse. Le coefficient de corrélation utilisé est le coefficient de Pearson, qui
fait l’hypothèse que chaque paire de variables pour laquelle le coefficient de corrélation est calculée
suit une loi normale bivariée.
Plus ce coefficient est élevé en valeur absolue, plus il existe une relation linéaire forte entre deux
variables. Les étoiles présentes dans le tableau indiquent le niveau de significativité du coefficient
de corrélation (une, deux et trois étoiles correspondent respectivement à des seuils de significativité
de 5%, 1% et 0.1%). L’hypothèse nulle testée stipule qu’il n’y a pas de relation linéaire entre deux
variables pour un seuil de significativité donné, tandis que l’hypothèse alternative correspond à la
présence d’une relation linéaire significative entre ces deux variables.
Parmi les résultats statistiquement significatifs, nous pouvons relever la corrélation négative entre
le levier financier et le ratio de liquidité (-0.315), une corrélation positive entre le levier financier
et la taille des réserves de pétrole et de gaz (0.240 et de 0.336 respectivement), une corrélation
négative entre le ratio de liquidité et la taille des réserves de pétrole et de gaz (-0.232 et -0.313
respectivement). Il est à noter également qu’il y a une corrélation négative entre la taille de réserves
de pétrole et de gaz et la concentration géographique de la production de ces deux matières
premières. Il existe également une forte corrélation positive entre l’indice de concentration
géographique de la production de pétrole et celui de la production de gaz (0.753).
Parmi ces résultats, la corrélation linéaire la plus élevée en valeur absolue est celle qui existe entre
le pourcentage d’actions détenues par le PDG et le nombre d’options détenues par le PDG (0.814).
Nous pouvons voir également qu’il y a une corrélation positive entre le fait qu’une entreprise paye
des dividendes et la taille des réserves de pétrole (0.518) et de gaz (0.538) et avec le nombre
d’analystes qui suivent l’entreprise (0.493).
Il y a également une forte corrélation positive entre la taille des réserves de pétrole et de gaz d’une
entreprise d’un côté et le nombre d’analystes qui la suivent de l’autre. La même relation existe entre
la taille des réserves de pétrole et de gaz et le pourcentage d’actions détenues par des investisseurs
institutionnels.
Autre point notable, il existe une corrélation fortement positive entre la taille des réserves de pétrole
et celle de gaz (0.760).
34
Pour finir, il y a une corrélation linéaire positive et significative entre le prix du pétrole et celui du
gaz (0.633), entre le prix du pétrole et la volatilité du prix du pétrole (0.575) et pour terminer, entre
le prix du gaz et la volatilité des prix du gaz (0.607).
Le tableau 10, quant à lui, contient les coefficients de corrélation de Spearman. Ces coefficients
permettent de détecter la présence de corrélation non-linéaire entre deux variables (tandis que le
coefficient de Pearson mesurait uniquement les relations linéaires entre deux variables). Ce
coefficient est calculé en utilisant les rangs des valeurs des variables (alors que le coefficient de
Pearson utilise les valeurs elles-mêmes). Le coefficient de corrélation de Spearman est une mesure
non-paramétrique qui ne fait aucune hypothèse quant à la distribution des variables.
Plus ce coefficient est élevé en valeur absolue, plus il existe une relation monotone forte entre deux
variables.
Nous remarquons par exemple que quasiment tous les coefficients de corrélation de Spearman sont
statistiquement significatifs pour la variable relative au bénéfice par action (tandis qu’aucun
coefficient de corrélation linéaire de Pearson n’était statistiquement significatif en ce qui concerne
cette variable). Ainsi, selon cette mesure, le bénéfice par action est positivement corrélé à la
rentabilité des capitaux propres (0.7995), au fait de payer des dividendes (0.4151), à la taille des
réserves de pétrole (0.4233) et à celles de gaz (0.4588), au nombre d’analystes qui suivent
l’entreprise (0.4074), et négativement corrélé à la variable qui mesure la convexité de la fonction
d’imposition (-0.4097).
En comparant les résultats des deux méthodes (coefficients de corrélation de Pearson d’un côté et
coefficients de corrélation de Spearman de l’autre) pour les variables autres que le bénéfice par
action, nous constatons des résultats comparables pour la grande majorité des variables, notamment
en ce qui a trait aux signes des corrélations des paires de variables.
VI Résultats des tests univariés Dans le cadre des tests univariés nous cherchons à comparer les entreprises qui se couvrent et celle
qui ne se couvrent pas en termes de leurs caractéristiques observables, afin de voir s’il existe des
différences statistiquement significatives entre ces deux groupes d’entreprises. Le but est de
déterminer s’il existe des facteurs qui expliquent l’absence systématique de gestion des risques
35
d’une partie des entreprises pétrolières de notre échantillon (48 entreprises sur 150 ne se couvrent
jamais).
Plus précisément, nous allons comparer les entreprises qui ne se couvrent jamais avec les
entreprises qui se couvrent (qui ont un ratio de couverture moyen strictement positif). Les
statistiques qui seront utilisées pour comparer les deux groupes sont les moyennes et les médianes.
La comparaison des moyennes se fera à travers un t-test, tandis que la comparaison des médianes
se fera à travers un test non-paramétrique de Mann-Whitney.
Les résultats de ces tests sont présentés au tableau 4.
Nous constatons que la différence entre les moyennes des caractéristiques observables des
entreprises pétrolières qui ne se couvrent jamais et les moyennes de celles qui se couvrent est
statistiquement significative (aux seuils habituels de 1%, 5% ou 10%) pour la plupart des
caractéristiques. Nous constatons que les 48 entreprises qui ne se couvrent jamais (qui ont un ratio
de couverture qui est systématiquement égal à zéro) ont, en moyenne, un bénéfice par action (après
suppression des valeurs aberrantes) plus élevé (0.29 contre 0.17), un ratio de liquidité beaucoup
plus élevé (3.47 contre 0.66), un levier financier plus faible (0.38 contre 0.58), des réserves de
pétrole et de gaz (qui sont des indicateurs de la taille de l’entreprise) plus élevées (599 contre 128
pour les réserves de pétrole et 2522 contre 1034 pour les réserves de gaz), un pourcentage de
détention de leurs actions par des investisseurs institutionnels plus faible (16% contre 42%) et sont
suivis par un plus petit nombre moyen d’analystes (2.06 contre 6.51) que les 102 entreprises qui
ont un ratio de couverture moyen strictement positif.
Il est à noter qu’il n’existe pas de différences statistiquement significatives entre les moyennes des
deux groupes d’entreprises en ce qui concerne la rentabilité des capitaux propres, les opportunités
d’investissement, les deux variables relatives à la rémunération des PDG ainsi que la variable
relative à la convexité de la structure d’imposition de l’entreprise.
En ce qui concerne les médianes, nous constatons que la différence entre les médianes des
caractéristiques observables des entreprises pétrolières qui ne se couvrent jamais et les médianes
de celles qui se couvrent est statistiquement significative (aux seuils habituels de 1%, 5% et 10%)
pour toutes les caractéristiques, à l’exception de la variable relative à la convexité de la structure
d’imposition de l’entreprise.
Des médianes différentes nous indique que les distributions de ces caractéristiques pour les deux
groupes sont différentes. Ceci est confirmé par les résultats du test non-paramétrique de
36
Kolmogorov-Smirnov, qui a pour but tester l’hypothèse nulle que deux ensembles de données sont
issues de la même distribution, avec une hypothèse alternative qui stipule qu’ils sont issus de deux
distributions différentes. Les résultats sont présentés au tableau 12 et nous pouvons voir que
l’hypothèse nulle (qui correspond au fait que les caractéristiques observables des 48 entreprises qui
ne se couvrent jamais et celles des 102 entreprises qui ont un ratio de couverture moyen strictement
positif sont issues de la même distribution) est largement rejetée avec des p-values quasiment nulles
pour toutes les caractéristiques.
Afin d’approfondir l’analyse des 150 entreprises de notre échantillon, nous les avons répartis en
intervalles en fonction de la fréquence à laquelle elles se couvrent.
Le tableau 5 illustre les moyennes et médianes des caractéristiques des entreprises pétrolières de
notre échantillon en fonction de la fréquence de couverture. La fréquence de couverture est calculée
en divisant le nombre de trimestres durant lesquels une entreprise a un ratio de couverture
strictement positif par le nombre de trimestres total durant lesquels une entreprise est observée. Les
150 entreprises de notre échantillon sont distribuées comme suit : 48 entreprises ne se couvrent
jamais, 24 entreprises se couvrent plus que 0% et moins que 40% du temps, 25 entreprises se
couvrent entre 40% et 59.99% du temps, 28 entreprises se couvrent entre 60% et 79.99% du temps
et pour finir 25 entreprises se couvrent entre 80% et 100% du temps.
Le tableau 11 contient les résultats des tests univariés de comparaison des moyennes (t-tests) et
des médianes (tests de Mann-Whitney) des caractéristiques des 48 entreprises qui ne se couvrent
jamais avec celles, respectivement, des entreprises qui se couvrent plus que 0% et moins que 40%
du temps, des entreprises qui se couvrent entre 40% et 59.99% du temps, des entreprises qui se
couvrent entre 60% et 79.99% du temps et pour finir des entreprises qui se couvrent entre 80% et
100% du temps.
Parmi les résultats principaux de ces tests, nous pouvons voir que les entreprises qui ne se couvrent
jamais ont un bénéfice par action moyen plus élevé que celui des entreprises qui se couvrent plus
que 0% et moins que 40% du temps. Les résultats de la comparaison du bénéfice par action des
entreprises qui ne se couvrent jamais avec celles des trois autres intervalles (fréquence de
couverture entre 40% et 59.99% du temps, entre 60% et 79.99% du temps et entre 80% et 100% du
temps) ne sont pas statistiquement significatifs.
Nous pouvons voir également que les entreprises qui ne se couvrent jamais ont, en moyenne, un
levier financier plus bas, un ratio de liquidité plus élevé ainsi que des réserves de pétrole et de gaz
plus élevées que celles des entreprises des autres intervalles de fréquence de couverture. Ces
37
résultats sont tous statistiquement significatifs au seuil de 1%. Nous remarquons également, à partir
du tableau 5, que les entreprises qui ne se couvrent jamais ont, en moyenne, des opportunités
d’investissements plus élevées que celles des entreprises des autres intervalles de fréquence de
couverture. Cependant, les résultats des tests univariés de comparaison des moyennes présentés au
tableau 11 ne sont pas statistiquement significatifs en ce qui concerne cette variable.
Les résultats des tests de comparaison des distributions (tests de Kolmogorov-Smirnov dont les
résultats sont présentés au tableau 13) nous indiquent que la distribution des caractéristiques des
entreprises qui ne se couvrent jamais est statistiquement différente de celle des caractéristiques des
entreprises de chacun des quatre autres intervalles de fréquence de couverture. La seule exception
concerne la variable relative à la rentabilité des capitaux propres. En effet, la différence entre la
distribution de la rentabilité des capitaux propres des entreprises qui ne se couvrent jamais n’est
pas statistiquement différente de celle des entreprises qui se couvrent plus que 0% et moins que
40% du temps.
VII Résultats du modèle de sélection de Heckman Le tableaux 14 contient les résultats de l’estimation de la première étape du modèle de Heckman
tandis que le tableau 15 contient ceux de la deuxième étape. La première étape du modèle est
estimée grâce à un PROBIT qui prend en compte la structure de panel de nos données. La variable
dépendante est la variable binaire qui prend la valeur 1 lorsque le ratio de couverture est strictement
positif à un trimestre donné, et prend la valeur 0 lorsque le ratio de couverture est nul. Les variables
indépendantes correspondent à l’ensemble des variables décrites à la section IV.3, ainsi que la
variable d’exclusion décrite à la section III.4. Cette variable a un impact significatif sur la décision
de se couvrir mais n’a pas d’impact significatif sur la taille de la couverture et correspond dans
notre étude au pourcentage des compétiteurs de l’entreprise i qui se couvrent au temps t.
La deuxième étape du modèle est estimée grâce à un modèle de régression linéaire multivariée,
appliqué seulement aux observations correspondant à un ratio de couverture strictement positif
(nous excluons les zéros de l’estimation de la deuxième étape). La variable dépendante est la
variable correspondant au ratio de couverture. Les variables indépendantes correspondent à
l’ensemble des variables décrites à la section IV.3, auxquelles nous ajoutons la variable
correspondant au ratio de Mills inverse estimée lors de la première étape (tel que décrit à la section
III.3). L’ajout de cette variable explicative (ratio de Mills inverse) permet de corriger le biais de
sélection causé par l’exclusion des zéros lors de l’estimation de la deuxième étape.
38
Lors de la première étape et la deuxième étape, toutes les variables indépendantes sont retardées
d’une période (un trimestre).
Comme l’illustre le tableau 14, le premier résultat important est que la variable d’exclusion
(proportion des compétiteurs de l’entreprise i qui se couvrent), a une relation fortement positive et
significative avec la probabilité de se couvrir de l’entreprise i. Les autres résultats de la première
étape du modèle de Heckman montrent que la décision de se couvrir (probabilité de se couvrir) a
une relation statistiquement significative et positive avec, respectivement, le ratio de couverture de
la production de gaz future espérée de l’entreprise, les opportunités d’investissement, le levier
financer et le pourcentage des actions détenues par des investisseurs institutionnels. À l’opposé, la
décision de se couvrir a une relation statistiquement significative et négative avec le ratio de
liquidité.
Par conséquent, un résultat important à relever est que plus une entreprise est contrainte
financièrement (levier financier élevé et ratio de liquidité bas), plus la probabilité qu’elle a de se
couvrir est élevée.
Il est également à noter que les variables relatives aux réserves de gaz et de pétrole, qui sont des
indices de la taille de l’entreprise, n’ont pas de relation significative avec la décision de se couvrir,
contrairement à nos anticipations. En effet, plusieurs études antérieures (Haushalter, 2000; Zhu,
2012) montraient que la taille de l’entreprise avait une relation positive et significative avec la
décision de se couvrir, dans la mesure où plus les entreprises étaient grandes plus elles avaient les
capacités financières de mettre sur pied un programme de gestion des risques.
La deuxième étape du modèle cherche à déterminer quelles variables ont une relation
statistiquement significative avec la taille de la couverture de la production de pétrole,
conditionnellement au fait de se couvrir lors de la première étape. Les résultats de cette étape sont
présentés au tableau 15.
Le premier résultat important est lié à la variable relative au ratio de Mills inverse, qui a été estimé
lors de la première. Cette variable a été ajoutée à la liste des variables explicatives lors de la
deuxième étape dans le but de corriger le biais de sélection décrit à la section III. Le coefficient
associé à cette variable est statistiquement significatif (aux seuils de 5% et 10%), ce qui implique
qu’il existe bel et bien un biais de sélection dans nos observations. Biais qui résulte du fait que les
39
observations correspondant à une couverture strictement positive ne forment pas un sous-
échantillon aléatoire de l’ensemble de nos observations.
Les autres résultats de la deuxième étape du modèle de Heckman montrent que la taille de la
couverture (conditionnellement au fait de se couvrir) a une relation statistiquement significative et
positive avec respectivement, le levier financier, le risque de la production de pétrole, les indices
de Herfindahl-Hirschman de pétrole et de gaz et la quantité de réserves de pétrole.
Ainsi, les entreprises qui ont de plus grandes réserves de pétrole, qui ont une plus grande
concentration géographique de leur production de pétrole et de gaz, qui ont un levier financier plus
élevé et qui ont un risque lié à production de pétrole plus élevé, ont en moyenne, toutes choses étant
égales par ailleurs, un ratio de couverture plus élevé.
Un des avantages de la méthode de Heckman est de permettre que les déterminants de la décision
de se couvrir et les déterminants du choix de la taille de la couverture soient différents (ce que ne
permet pas le modèle TOBIT par exemple). Nos résultats semblent indiquer que les déterminants
de ces deux décisions (décision de se couvrir et choix de la taille de la couverture) sont différents.
Plus précisément, le ratio de liquidité, les opportunités d’investissement et les prix au comptant du
pétrole et du gaz, qui avaient une relation statistiquement significative avec la décision de se
couvrir, n’ont pas de relation statistiquement significative avec la taille de la couverture. À
l’opposé, la taille des réserves de pétrole d’une entreprise, la concentration géographique de sa
production de pétrole et de gaz, ainsi que le risque lié à sa production de pétrole n’avaient pas de
relation statistiquement significative avec la décision de se couvrir, mais ont une relation
statistiquement significative avec la taille de la couverture.
Un autre résultat important concerne le levier financier. En effet cette variable a une relation
positive et statistiquement significative aussi bien avec la décision de se couvrir qu’avec la taille
de la couverture. Ce résultat est cohérent avec celui de Mo, Suvankulov et Griffiths (2019).
Il est également à noter que la variable relative à la convexité de la structure d’imposition des
entreprises n’a d’effet statistiquement significatif ni sur la décision de se couvrir, ni sur la taille de
la couverture.
Pour finir, les résultats relatifs aux conditions de marché du pétrole ne correspondent pas à nos
anticipations. Le niveau des prix au comptant du pétrole n’a pas de relation statistiquement
significative avec la taille de la couverture mais a une relation positive et statistiquement
significative avec la décision de se couvrir. La volatilité du prix du pétrole a une relation négative
40
et significative avec la décision de se couvrir et avec la taille de la couverture. Ainsi, en moyenne,
plus le prix du pétrole est faible et plus la volatilité est élevée, plus la probabilité que les entreprises
se couvrent est faible, toutes choses étant égales par ailleurs. Le signe de ces relations est l’inverse
de ce à quoi nous nous attendions.
Une explication possible (Mo, Suvankulov et Griffiths, 2019) est liée au coût de la couverture dans
de telles conditions de marché. Lorsque le prix du pétrole est bas et la volatilité est élevée, il devient
plus coûteux de se couvrir. En effet, il peut devenir plus difficile de trouver des contrepartistes qui
acceptent de s’engager dans des contrats de couverture avec les entreprises pétrolières.
VIII Conclusion Nous nous sommes intéressés, lors de cette étude, aux facteurs qui expliquent qu’un grand nombre
d’entreprises pétrolières ne se couvrent jamais contre les fluctuations des prix du pétrole et aux
déterminants de la gestion des risques des entreprises de notre échantillon.
Une comparaison des entreprises qui ne se couvrent jamais avec celles qui ont des ratios de
couverture strictement positifs (comparaison des caractéristiques observables) nous a permis de
trouver que les entreprises qui ne se couvrent jamais sont, en moyenne, plus rentables, en meilleur
santé financière (contraintes financières plus faibles) et sont plus grandes (tailles des réserves de
pétrole et de gaz plus élevées) que les autres entreprises de l’échantillon. Selon ces résultats, les
ressources et la santé financières des entreprises pétrolières américaines seraient un substitut à
l’usage d’instruments de couverture.
L’application du modèle de sélection de Heckman nous a ensuite permis d’étudier les déterminants
de la décision de se couvrir et les déterminants de la taille de la couverture des entreprises de notre
échantillon en corrigeant le biais de sélection présent dans nos données. Nos résultats montrent que
la décision de se couvrir et le choix de la taille de la couverture ont des déterminants différents.
Ainsi, les contraintes financières, les opportunités d’investissements et la proportion des
compétiteurs qui se couvrent sont des déterminants importants de la décision des entreprises de se
couvrir, tandis que la taille des réserves de pétrole et la concentration géographique de la production
de pétrole et de gaz sont des déterminants importants du choix de la taille de la couverture.
Certains résultats de notre étude ne correspondent pas à nos anticipations. Les variables relatives
aux réserves de pétrole et de gaz, que nous ont servis d’indicatrices de la taille de l’entreprise, n’ont
pas de relation significative avec la décision de se couvrir des entreprises. Néanmoins, plusieurs
41
études antérieures (Haushalter, 2000; Zhu, 2012; Mo, Suvankulov et Griffiths, 2019; Adam,
Fernando et Salas, 2017) concluent que la taille de l’entreprise est un déterminant important de la
décision de se couvrir. En effet, dans toutes ces études, cette variable a une relation positive et
significative avec la décision de se couvrir des entreprises non-financières.
Un autre résultat inattendu concerne le prix du pétrole. Nous avons trouvé que la décision de se
couvrir était corrélée positivement au prix du pétrole et négativement à la volatilité du pétrole. Ceci
peut s’expliquer par le fait que dans des conditions de marché où le prix du pétrole est faible et où
la volatilité est élevée il devient plus coûteux pour les entreprises pétrolières de se couvrir. La
probabilité de se couvrir correspondante serait alors plus faible.
Nos résultats indiquent également, que la structure de rémunération des dirigeants n’a pas d’impact
significatif sur les choix de couvertures des entreprises de notre échantillon. Ce résultat va à
l’encontre de nos anticipations, qui étaient basées sur la littérature antérieure (Haushalter, 2000;
Zhu, 2012).
42
Tableaux et figures
Tableau 1 : Distribution des entreprises en fonction du nombre d’observations
Centiles et min/max min 5% 25% 50% 75% 95% max
Nombre d’observations par entreprise 17 23 29 49 53 53 53
43
Tableau 2 : Statistiques descriptives des caractéristiques des entreprises de notre échantillon
Variables Nombre d’observations Moyenne Écart-type Coefficient d’asymétrie
Bénéfice par action 6127 8.1811 284.6931 38.8494
Bénéfice par action sans valeurs aberrantes 6118 0.2054 1.7701 -9.1371
Rentabilité des capitaux propres 6046 -0.0273 0.4117 -4.0450
Opportunités d’investissement 6295 0.1289 2.3330 77.5299
Levier financier 6044 0.5162 0.2851 1.1705
Liquidité 6069 1.5554 5.3345 13.9162
Paiement de dividendes 6326 0.2654 0.4416 1.0626
Réserves de pétrole 6326 276.71 1278 6.7212
Réserves de gaz 6326 1504 5888 7.9680
Propriété institutionnelle 6326 0.3367 0.3455 0.4834
Nombre d’analystes 6326 5.1080 6.9139 1.4985
Indice de Herfindahl-Hirschman (pétrole) 6178 0.8995 0.2333 -2.1881
Indice de Herfindahl-Hirschman (gaz) 6180 0.9372 0.1832 -3.1474
Risque de la production de pétrole 6246 0.2724 0.3018 2.9822
Risque de la production de gaz 6222 0.2726 0.2805 2.6789
Ratio de couverture de la production de gaz future espérée 6326 0.0440 0.1037 5.2357
Pourcentage d’actions détenues par le président directeur général 6028 0.0043 0.0167 16.2674
Nombre d’options détenues par le président directeur général 6326 174386 681760 12.5764
Convexité de la structure d’imposition 6160 0.0525 0.0512 23.8615
44
Tableau 3 : Centiles correspondant aux caractéristiques des entreprises de notre échantillon
Variables 5e centile 10e centile 25e centile Médiane 75e centile 90e centile 95e centile
Bénéfice par action -0.8700 -0.2900 -0.0300 0.0900 0.4875 1.1700 1.7800
Bénéfice par action sans valeurs aberrantes -0.8660 -0.2900 -0.0300 0.0900 0.4800 1.1700 1.7660
Rentabilité des capitaux propres -0.3191 -0.1207 -0.0161 0.0211 0.0512 0.0881 0.1289
Opportunités d’investissement 0.0048 0.0154 0.0348 0.0624 0.1068 0.1822 0.2652
Levier financier 0.0655 0.1444 0.3418 0.5231 0.6586 0.8056 0.9349
Liquidité 0.0078 0.0228 0.0795 0.2750 0.8502 3.4352 6.9438
Paiement de dividendes 0 0 0 0 1 1 1
Réserves de pétrole 0.0323 0.1841 0.9483 8.0100 53.3518 329.6780 872.20
Réserves de gaz 0.2395 1.5137 13.7110 99.4629 571.6990 2832.70 6707.11
Propriété institutionnelle 0 0 0 0.2159 0.6872 0.8399 0.9052
Nombre d’analystes 0 0 0 2 8 16 20
Indice de Herfindahl-Hirschman (pétrole) 0.3109 0.4706 1 1 1 1 1
Indice de Herfindahl-Hirschman (gaz) 0.4748 0.7069 1 1 1 1 1
Risque de la production de pétrole 0.0262 0.0443 0.0795 0.1686 0.3442 0.6261 0.8657
Risque de la production de gaz 0.0241 0.0433 0.0922 0.1806 0.3603 0.6382 0.8046
Ratio de couverture de la production de gaz future espérée 0 0 0 0 0.0434 0.1498 0.2245
Pourcentage d’actions détenues par le président directeur général 0 0 0 0 0.0021 0.0123 0.0235
45
Nombre d’options détenues par le président directeur général 0 0 0 0 120000 435000 726525
Convexité de la structure d’imposition 0.0086 0.0153 0.0292 0.0480 0.0698 0.0866 0.1057
46
Tableau 4 : Statistiques descriptives des caractéristiques des 48 entreprises qui ne se couvrent jamais et celles des 102 firmes
qui ont un ratio de couverture moyen strictement positif. Le tableau comporte également les résultats des tests univariés
comparant les moyennes et médianes de ces caractéristiques pour ces deux groupes d’entreprises.
La comparaison des moyennes se fera à travers un t-test, tandis que la comparaison des médianes se fera à travers un test non-
paramétrique de Mann-Whitney.
(*, ** et *** correspondent respectivement à des niveaux de significativité de 10%, 5% et 1%) :
Entreprises qui ne se couvrent jamais (48
entreprises pour un total de 1998 observations)
Entreprises qui ont un ratio de couverture moyen strictement positif (102 entreprises
pour un total de 4328 observations)
T-test (comparaison
des moyennes)
Mann-Whitney U-test
(comparaison des médianes) Obs Moyenne Médiane Obs Moyenne Médiane
Bénéfice par action 1928 0.2881 0.0200 4199 11.8053 0.1600 -1.4707 -9.1465***
Bénéfice par action sans valeurs
aberrantes
1928 0.2881 0.0200 4190 0.1674 0.1600 2.4772** -9.0880***
Rentabilité des capitaux propres 1921 -0.0246 0.0148 4125 -0.0285 0.0240 0.3434 -4.7641***
Opportunités d’investissement 1997 0.1856 0.0598 4298 0.1026 0.0637 1.3130 -4.7701***
Levier financier 1921 0.3846 0.3608 4123 0.5775 0.5615 -25.7945*** -26.0597***
Liquidité 1924 3.4745 0.7655 4145 0.6646 0.1841 19.6940*** 29.6509***
Paiement de dividendes 1998 0.1912 0.0000 4328 0.2997 0.0000 -9.1421*** -9.0830***
Réserves de pétrole 1998 598.69 0.6387 4328 128.07 16.62 13.8209*** -37.5372***
Réserves de gaz 1998 2522.49 9.12 4328 1034.10 228.09 9.4101*** -36.7271***
Propriété institutionnelle 1998 0.1627 0.0337 4328 0.4170 0.4163 -28.9649*** -23.5810***
Nombre d’analystes 1998 2.0616 0.0000 4328 6.5143 4.0000 -24.9542*** -31.7736***
Indice de Herfindahl-Hirschman
(pétrole) 1870 0.8997 1.0000 4308 0.8993 1.0000 0.0597 2.9183***
47
Indice de Herfindahl-
Hirschman (gaz) 1876 0.9265 1.0000 4304 0.9419 1.0000 -3.0241*** 3.1557***
Risque de la production de
pétrole 1918 0.2944 0.1614 4328 0.2626 0.1707 3.8418*** -1.3825
Risque de la production de gaz 1894 0.2850 0.1915 4328 0.2671 0.1716 2.3212** 1.8014*
Ratio de couverture de la production de gaz future espérée 1998 0.0068 0.0000 4328 0.0612 0.0000 -20.0018*** -31.6405***
Pourcentage d’actions détenues
par le président directeur général 1919 0.0042 0.0000 4109 0.0044 0.0000 -0.3322 -16.0921***
Nombre d’options détenues par le
président directeur général 1998 162391 0.0000 4328 179924 0.0000 -0.9508 -16.1080***
Convexité de la structure
d’imposition 1936 0.0528 0.0455 4224 0.0524 0.0484 0.2802 -1.6169
48
Tableau 5 : Statistiques descriptives par fréquence de couverture (la fréquence de couverture est calculée en divisant le nombre
de trimestres durant lesquels une entreprise a un ratio de couverture strictement positif par le nombre de trimestres total durant
lesquels une entreprise est observée)
Entreprises qui ne se couvrent jamais
(48 entreprises pour un total de 1998 observations)
Entreprises qui se couvrent plus que 0% et moins que 40% du temps (24
entreprises pour un total de 996 observations)
Entreprises qui se couvrent entre 40% et 59.99% du temps (25
entreprises pour un total de 1059 observations)
Variables Obs Moyenne Médiane Obs Moyenne Médiane Obs Moyenne Médiane Bénéfice par action 1928 0,2881 0,0200 964 -0,2160 0,0400 1039 0,2048 0,1600
Bénéfice par action sans valeurs aberrantes
1928 0.2881 0.0200 963 -0.1100 0.0400 1039 0.2048 0.1600
Rentabilité des capitaux propres
1921 -0,0246 0,0148 942 -0,0594 0,0143 1026 -0,0278 0,0252
Opportunités d’investissement
1997 0,1856 0,0598 987 0,1406 0,0646 1038 0,0885 0,0585
Levier financier 1921 0,3846 0,3608 944 0,5074 0,4681 1025 0,5870 0,5459
Liquidité 1924 3,4745 0,7655 953 1,1912 0,3245 1027 0,6146 0,2072
Paiement de dividendes
1998 0,1912 0 996 0,1315 0 1059 0,3126 0
Réserves de pétrole 1998 598,69 0,6387 996 44,07 3,68 1059 168,35 9,05
Réserves de gaz 1998 2522,49 9,12 996 416,37 45,07 1059 914,27 202,95
Propriété institutionnelle
1998 0,1627 0,0337 996 0,2318 0,0434 1059 0,4141 0,4080
Nombre d’analystes 1998 2,06 0 996 2,80 0 1059 5,85 4
Indice de Herfindahl-Hirschman (pétrole)
1870 0,8997 1 984 0,9571 1 1059 0,8997 1
Indice de Herfindahl-Hirschman (gaz)
1876 0,9265 1 980 0,9560 1 1059 0,9616 1
Risque de la production de pétrole
1918 0,2944 0,1614 996 0,3272 0,2335 1059 0,2685 0,1912
Risque de la production de gaz
1894 0,2850 0,1915 996 0,3544 0,2400 1059 0,2306 0,1519
49
Ratio de couverture de la production de gaz future espérée
1998 0,0068 0 996 0,0504 0 1059 0,0454 0
Pourcentage d’actions détenues par le président directeur général
1919 0,0042 0 947 0,0031 0 1016 0,0066 0,0003
Nombre d’options détenues par le président directeur général
1998 162390 0 996 81512 0 1059 314537 5000
Convexité de la structure d’imposition
1936 0,0528 0,0455 967 0,0598 0,0527 1045 0,0483 0,0462
Entreprises qui se couvrent entre 60% et 79.99% du temps (28
entreprises pour un total de 1206 observations)
Entreprises qui se couvrent entre 80% et 100% du temps (25 entreprises pour
un total de 1067 observations)
Variables Obs Moyenne Médiane Obs Moyenne Médiane
Bénéfice par action 1148 42,87 0,2100 1048 0,3354 0,2900
Bénéfice par action sans valeurs aberrantes
1140 0.2126 0.2100 1048 0.3354 0.2900
Rentabilité des capitaux propres
1110 -0,0142 0,0239 1047 -0,0167 0,0302
Opportunités d’investissement
1206 0,0975 0,0698 1067 0,0870 0,0607
Levier financier 1105 0,6172 0,5837 1049 0,5895 0,5862
Liquidité 1115 0,3984 0,1425 1050 0,5182 0,1256
Paiement de dividendes
1206 0,3773 0 1067 0,3561 0
Réserves de pétrole 1206 127,86 28,64 1067 166,73 52,00
Réserves de gaz 1206 1534,64 331,42 1067 1163,92 398,52
Propriété institutionnelle
1206 0,4848 0,5771 1067 0,5160 0,6211
Nombre d’analystes 1206 8,42 6 1067 8,51 6
50
Indice de Herfindahl-Hirschman (pétrole)
1198 0,8983 1 1067 0,8469 1
Indice de Herfindahl-Hirschman (gaz)
1202 0,9321 1 1063 0,9202 1
Risque de la production de pétrole
1206 0,2719 0,1808 1067 0,1860 0,1282
Risque de la production de gaz
1206 0,2640 0,1834 1067 0,2253 0,1487
Ratio de couverture de la production de gaz future espérée
1206 0,0807 0,0204 1067 0,0649 0,0335
Pourcentage d’actions détenues par le président directeur général
1104 0,0043 0 1042 0,0035 0,0006
Nombre d’options détenues par le président directeur général
1206 179693 0 1067 138443 50000
Convexité de la structure d’imposition
1158 0,0521 0,0504 1054 0,0499 0,0474
51
Tableau 6 : Statistiques descriptives relatives à la couverture de la production de pétrole
Nombre
d’observations Moyenne Écart-
type Coefficient d’asymétrie
5e centile
10e centile
25e centile
Médiane 75e centile
90e centile
95e centile
Calculs sur l’échantillon total (en incluant les zéros)
6326 18,84% 28,82% 1,6074 0 0 0 0 36,41% 64,29% 79,46%
Calculs sur le sous-échantillon correspondant à un ratio de couverture strictement positif (en excluant les zéros)
2587 46,07% 27,88% 0,9295 5,60% 10,47% 24,33% 44,56% 63,88% 81,44% 91,53%
Tableau 7 : Couverture moyenne de la production de pétrole en fonction des années
1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010
Calculs sur l’échantillon total (en incluant les zéros)
17,23% 18,96% 17,33% 17,06% 16,51% 19,96% 19,31% 19,70% 18,93% 20,13% 19,18% 19,33% 18,71% 20,02%
Calculs sur le sous-échantillon correspondant à un ratio de couverture strictement positif (en excluant les zéros)
45,46% 46,43% 40,15% 40,74% 46,39% 49,26% 47,42% 49,50% 46,93% 45,61% 44,40% 47,72% 46,87% 47,86%
52
Figure 1 : Ratios de couverture annuels moyens pour l’ensemble des observations (en bleu) et en ne conservant que les données
correspondant à des ratios de couverture strictement positifs (en rouge)
53
Figure 2 : Ratios de couverture trimestriels moyens pour l’ensemble des observations (en bleu) et en ne conservant que les
données correspondant à des ratios de couverture positifs (en rouge)
54
Figure 3 : Évolution des prix au comptant et volatilités du pétrole et du gaz dans le temps
55
Tableau 8 : Statistiques descriptives relatives aux conditions de marché du pétrole et du gaz
Moyenne Médiane Écart-Type Valeur maximale Date correspondant à la valeur maximale
Prix du pétrole 48.80 37.05 28.67 140 Trimestre 2 de 2008
Volatilité du prix du pétrole
3.25 2.37 2.86 15.69 Trimestre 4 de 2008
Prix du gaz 5.03 4.74 2.63 13.48 Trimestre 3 de 2005
Volatilité du prix du gaz 0.72 0.47 0.56 2.08 Trimestre 4 de 2005
56
Tableau 9 : Matrice de corrélation de Pearson (*, ** et *** correspondent respectivement à des niveaux de significativité de
5%, 1% et 0.1%)
Bénéfice par action
Rentabilité des capitaux propres
Opp d’invest
Levier financier
Liquidité Paiement de dividendes
Réserves de pétrole
Réserves de gaz
Propriété institutionnelle
Nombre d’analystes
Bénéfice par action
1
Rentabilité des capitaux propres
0.0101 1
Opportunités d’investissement
-0.000459 -0.00283 1
Levier financier 0.00750 -0.152*** -0.0227 1
Liquidité -0.00300 0.0149 0.0259 -0.315*** 1
Paiement de dividendes
-0.00867 0.0822*** -0.0564*** 0.0516*** -0.0594*** 1
Réserves de pétrole
0.00532 0.0687*** -0.0843*** 0.240*** -0.232*** 0.518*** 1
Réserves de gaz
0.00625 0.0622*** -0.0628*** 0.336*** -0.313*** 0.538*** 0.760*** 1
Propriété institutionnelle
-0.0165 0.0483*** -0.0400** 0.170*** -0.175*** 0.309*** 0.575*** 0.583*** 1
Nombre d’analystes
-0.0117 0.0659*** -0.0572*** 0.152*** -0.175*** 0.493*** 0.689*** 0.734*** 0.647*** 1
Indice de Herfindahl- Hirschman (pétrole)
0.00578 -0.0581*** 0.0441*** -0.0282* 0.0666*** -0.404*** -0.526*** -0.352*** -0.279*** -0.480***
Indice de Herfindahl- Hirschman (gaz)
0.00440 -0.0542*** 0.0385** -0.0267* 0.0635*** -0.353*** -0.476*** -0.297*** -0.185*** -0.346***
Risque de la production de pétrole
-0.0105 -0.0627*** 0.119*** -0.00466 0.0429** -0.193*** -0.300*** -0.231*** -0.175*** -0.195***
Risque de la production de
-0.0147 -0.0683*** 0.137*** -0.0774*** 0.0529*** -0.246*** -0.232*** -0.270*** -0.221*** -0.267***
57
gaz
Prix du pétrole
-0.0149 0.0290* 0.0152 -0.0339* 0.0336* 0.00539 0.0378** 0.0369** 0.229*** 0.150***
Prix du gaz
-0.0123 0.0477*** 0.0589*** -0.0364** 0.0146 -0.00985 0.00538 0.0125 0.149*** 0.0908***
Volatilité du prix du pétrole
-0.00959 -0.0745*** 0.00784 -0.00886 0.0186 0.0106 0.0247 0.0295* 0.146*** 0.112***
Volatilité du prix du gaz
-0.00972 0.0568*** 0.0592*** -0.0346** 0.0171 -0.0175 0.00840 0.0111 0.106*** 0.0552***
Ratio de couverture de la production de gaz future espérée
-0.00734 -0.00641 0.0286* 0.158*** -0.0978*** 0.102*** 0.0631*** 0.207*** 0.0604*** 0.0713***
Pourcentage d’actions détenues par le PDG
-0.00428 -0.00544 -0.00618 -0.00331 -0.0327* -0.0708*** -0.0292* -0.0337* -0.0377** -0.0858***
Nombre d’options détenues par le PDG
-0.00479 0.0153 -0.0118 0.0230 -0.0429** 0.0257 0.0686*** 0.0721*** 0.0451*** 0.0438**
Convexité de la structure d’imposition
-0.00368 -0.0376** 0.0160 -0.0132 0.0489*** -0.210*** -0.193*** -0.195*** -0.150*** -0.156***
58
Indice de Herfindahl- Hirschman (pétrole)
Indice de Herfindahl- Hirschman (gaz)
Risque de la production de pétrole
Risque de la production de gaz
Prix du pétrole
Prix du gaz
Volatilité du prix du pétrole
Volatilité du prix du gaz
Ratio de couverture de la production de gaz future espérée
Pourcentage d’actions détenues par le PDG
Indice de Herfindahl- Hirschman (pétrole)
1
Indice de Herfindahl- Hirschman (gaz)
0.753*** 1
Risque de la production de pétrole
0.158*** 0.147*** 1
Risque de la production de gaz
0.173*** 0.165*** 0.443*** 1
Prix du pétrole
-0.00679 -0.00431 0.0290* 0.0710*** 1
Prix du gaz
-0.0139 0.00432 0.0413** 0.0740*** 0.633*** 1
Volatilité du prix du pétrole
0.00278 -0.00309 0.0235 0.0496*** 0.575*** 0.378*** 1
Volatilité du prix du gaz
-0.0104 0.00549 0.0165 0.0459*** 0.389*** 0.607*** 0.275*** 1
Ratio de couverture de la production de gaz future espérée
0.0835*** 0.0990*** 0.0736*** 0.0545*** 0.236*** 0.0923*** 0.163*** 0.0546*** 1
Pourcentage d’actions détenues par le PDG
0.0375** 0.0226 0.0353** 0.00935 -0.0755*** -0.00855 -0.0589*** -0.00374 -0.0120 1
59
Nombre d’options détenues par le PDG
-0.0511*** -0.0376** 0.0163 0.00628 -0.0276* 0.0367** -0.0263* 0.0297* -0.00440 0.814***
Convexité de la structure d’imposition
0.147*** 0.144*** 0.0646*** 0.0875*** -0.0803*** -0.0789*** -0.0279* -0.0648*** -0.00144 0.0318*
Nombre d’options détenues par le PDG
Convexité de la structure d’imposition
Nombre d’options détenues par le PDG
1
Convexité de la structure d’imposition
-0.00256 1
60
Tableau 10 : Matrice de corrélation de Spearman : (*, ** et *** correspondent respectivement à des niveaux de significativité
de 5%, 1% et 0.1%)
Bénéfice par action
Rentabilité des capitaux propres
Opp d’invest
Levier financier
Liquidité Paiement de dividendes
Réserves de pétrole
Réserves de gaz
Propriété institutionnelle
Nombre d’analystes
Bénéfice par action
1.0000
Rentabilité des capitaux propres
0.7995*** 1.0000
Opportunités d’investissement
0.0616*** 0.0989*** 1.0000
Levier financier 0.0018 -0.0261 -0.0394** 1.0000
Liquidité -0.1472*** -0.0547*** -0.0010 -0.4629*** 1.0000
Paiement de dividendes
0.4151*** 0.2470*** -0.1259*** 0.1075*** -0.1830*** 1.0000
Réserves de pétrole
0.4233*** 0.2466*** -0.0646*** 0.3297*** -0.3820*** 0.5139*** 1.0000
Réserves de gaz
0.4588*** 0.2577*** -0.0148 0.3937*** -0.4851*** 0.5689*** 0.7829*** 1.0000
Propriété institutionnelle
0.3326*** 0.1859*** 0.0849*** 0.2082*** -0.3156*** 0.2812*** 0.5661*** 0.5806*** 1.0000
Nombre d’analystes
0.4074*** 0.2128*** 0.0597*** 0.2853*** -0.4258*** 0.4630*** 0.7636*** 0.8450*** 0.6738*** 1.0000
Indice de Herfindahl- Hirschman (pétrole)
-0.2621*** -0.1410*** 0.0745*** -0.0878*** 0.0745*** -0.3975*** -0.4946*** -0.4130*** -0.2769*** -0.4426***
Indice de Herfindahl- Hirschman (gaz)
-0.2781*** -0.1445*** 0.1000*** -0.0802*** 0.0392** -0.4197*** -0.4980*** -0.4312*** -0.2389*** -0.4218***
61
Risque de la production de pétrole
-0.2136*** -0.1888*** 0.1419*** -0.0103 0.0886*** -0.2448*** -0.2530*** -0.1847*** -0.1458*** -0.1450***
Risque de la production de gaz
-0.2808*** -0.2184*** 0.1194*** -0.1133*** 0.1331*** -0.2978*** -0.2516*** -0.3241*** -0.2235*** -0.2690***
Prix du pétrole
0.1336*** 0.1123*** 0.1148*** -0.0473*** 0.0446*** -0.0012 0.0502*** 0.0637*** 0.2566*** 0.1679***
Prix du gaz
0.2185*** 0.2314*** 0.1738*** -0.0520*** 0.0482*** -0.0138 0.0175 0.0266* 0.1789*** 0.0885***
Volatilité du prix du pétrole
0.0816*** 0.0792*** 0.0933*** -0.0219 0.0383** -0.0007 0.0434** 0.0564*** 0.2097*** 0.1424***
Volatilité du prix du gaz
0.1910*** 0.2209*** 0.1436*** -0.0456*** 0.0336* -0.0216 0.0200 0.0276* 0.1508*** 0.0751***
Ratio de couverture de la production de gaz future espérée
0.0832*** 0.0472*** 0.0467*** 0.3203*** -0.3401*** 0.1049*** 0.2498*** 0.4159*** 0.2623*** 0.3595***
Pourcentage d’actions détenues par le PDG
0.0868*** 0.0582*** 0.0300* 0.1420*** -0.1740*** 0.1047*** 0.2166*** 0.2426*** 0.2265*** 0.2364***
Nombre d’options détenues par le PDG
0.1372*** 0.0845*** 0.0170 0.1684*** -0.1869*** 0.1872*** 0.2952*** 0.3243*** 0.2703*** 0.3166***
Convexité de la structure d’imposition
-0.4097*** -0.3344*** -0.0436** -0.0129 0.0472*** -0.3643*** -0.2900*** -0.3164*** -0.2516*** -0.2622***
62
Indice de Herfindahl- Hirschman (pétrole)
Indice de Herfindahl- Hirschman (gaz)
Risque de la production de pétrole
Risque de la production de gaz
Prix du pétrole
Prix du gaz
Volatilité du prix du pétrole
Volatilité du prix du gaz
Ratio de couverture de la production de gaz future espérée
Pourcentage d’actions détenues par le PDG
Indice de Herfindahl- Hirschman (pétrole)
1.0000
Indice de Herfindahl- Hirschman (gaz)
0.7545*** 1.0000
Risque de la production de pétrole
0.2264*** 0.2293*** 1.0000
Risque de la production de gaz
0.2231*** 0.2757*** 0.4552*** 1.0000
Prix du pétrole
-0.0129 0.0017 0.0147 0.0850*** 1.0000
Prix du gaz
-0.0127 -0.0071 0.0341* 0.0835*** 0.6745*** 1.0000
Volatilité du prix du pétrole
-0.0060 -0.0010 0.0284* 0.0795*** 0.7810*** 0.5803*** 1.0000
Volatilité du prix du gaz
-0.0107 0.0008 0.0147 0.0620*** 0.5462*** 0.6586*** 0.5663*** 1.0000
Ratio de couverture
0.0289* 0.0753*** 0.0660*** 0.0137 0.2604*** 0.1192*** 0.2101*** 0.0981*** 1.0000
63
de la production de gaz future espérée
Pourcentage d’actions détenues par le PDG
-0.0903*** -0.0737*** 0.0180 -0.0260 -0.1228*** -0.0215 -0.0994*** -0.0211 0.1325*** 1.0000
Nombre d’options détenues par le PDG
-0.1694*** -0.1547*** -0.0140 -0.0530*** -0.0765*** 0.0066 -0.0614*** 0.0004 0.1437*** 0.9683***
Convexité de la structure d’imposition
0.2100*** 0.2401*** 0.1651*** 0.2098*** -0.1270*** -0.1430*** -0.0835*** -0.1067*** -0.0225 -0.0378**
Nombre d’options détenues par le PDG
Convexité de la structure d’imposition
Nombre d’options détenues par le PDG
1.0000
Convexité de la structure d’imposition
-0.0828*** 1.0000
64
Tableau 11 : Résultats des tests univariés comparant les moyennes et médianes des caractéristiques des 48 entreprises qui ne se
couvrent jamais avec celles, respectivement, des entreprises qui se couvrent entre 0% et 39.99% du temps, des entreprises qui se
couvrent entre 40% et 59.99% du temps, des entreprises qui se couvrent entre 60% et 79.99% du temps et pour finir des
entreprises qui se couvrent entre 80% et 100% du temps. La comparaison des moyennes se fera à travers un t-test, tandis que la
comparaison des médianes se fera à travers un test non-paramétrique de Mann-Whitney
(*, ** et *** correspondent respectivement à des niveaux de significativité de 10%, 5% et 1%)
Entreprises qui ne se couvrent
jamais VS entreprises qui se couvrent plus que 0% et moins que 40% du temps
Entreprises qui ne se couvrent jamais VS entreprises qui se couvrent entre 40% et 59.99% du temps
Entreprises qui ne se couvrent jamais VS entreprises qui se couvrent entre 60% et 79.99% du temps
Entreprises qui ne se couvrent jamais VS entreprises qui se couvrent entre 80% et 100% du temps
T-test (comparaison des moyennes)
Mann-Whitney U-test (comparaison des médianes)
T-test (comparaison des moyennes)
Mann-Whitney U-test (comparaison des médianes)
T-test (comparaison des moyennes)
Mann-Whitney U-test (comparaison des médianes)
T-test (comparaison des moyennes)
Mann-Whitney U-test (comparaison des médianes)
Bénéfice par action
4,6757 *** 0,6621 1,5837 -7,7297 *** -2,8470 *** -7,1919 *** -0,8733 -11,5589 ***
Bénéfice par action sans valeurs aberrantes
5.1659*** 0.6169 1.5837 -7.7297*** 1.4484 -6.9815*** -0.8733 -11.5589***
Rentabilité des capitaux propres
1,9786 ** 0,9073 0,2102 -3,8863 *** -0,6763 -3,8805 *** -0,5347 -6,4693 ***
Opportunités d’investissement
0,3416 -2,6684 *** 0,7600 -2,0861 ** 0,7433 -6,0632 *** 0,7819 -2,5501 **
Levier financier -10,4061 *** -9,7541 *** -18,1104 *** -17,9148 *** -23,3947 *** -23,1558 *** -22,1463 *** -22,9816 ***
Liquidité 7,9892 *** 13,5102 *** 10,6967 *** 19,8657 *** 12,0382 *** 25,0696 *** 10,9388 *** 25,8053 ***
Paiement de dividendes
4,0923 *** 4,0816 *** -7,6194 *** -7,5492 *** -11,8655 *** -11,6147 *** -10,2323 *** -10,0633 ***
65
Réserves de pétrole
7,9554 *** -15,2788 *** 6,3032 *** -26,7353 *** 7,4165 *** -31,1954 *** 6,3977 *** -33,5069 ***
Réserves de gaz 6,6363 *** -14,8032 *** 5,1950 *** -26,4097 *** 3,3619 *** -32,7283 *** 4,3988 *** -30,2729 ***
Propriété institutionnelle
-6,7904 -4,9174 *** -22,5286 *** -14,8211 *** -31,1033 *** -23,1166 *** -33,5020 *** -23,9391 ***
Nombre d’analystes
-3,9830 *** -8,7146 *** -18,9955 *** -24,0789 *** -27,8403 *** -29,5105 *** -28,2080 *** -31,7146 ***
Indice de Herfindahl-Hirschman (pétrole)
-6,3543 *** -5,7734 *** 0,0021 3,3872 *** 0,1558 2,3948 ** 5,2622 *** 7,1942 ***
Indice de Herfindahl-Hirschman (gaz)
-3,7255 *** -2,3770 ** -4,7901 *** 1,8110 * -0,7286 4,3018 *** 0,7835 4,8351 ***
Risque de la production de pétrole
-2,3820 ** -5,1933 *** 2,0169 ** -3,1207 *** 1,8163 * -1,6060 9,0154 *** 5,7815 ***
Risque de la production de gaz
-5,5950 *** -5,8978 *** 5,1142 *** 4,8048 *** 2,0151 ** 0,4380 5,5173 *** 5,6314 ***
Ratio de couverture de la production de gaz future espérée
-14,7537 *** -16,0735 *** -16,1943 *** -22,9217 *** -21,1526 *** -31,6192 *** -26,8556 *** -33,9824 ***
Pourcentage d’actions détenues par le président directeur général
2,4810 ** -4,5190 *** -2,7051 *** -13,5846 *** -0,2000 -12,0320 *** 1,7837 * -18,3079 ***
66
Nombre d’options détenues par le président directeur général
4,7221 *** -3,8699 *** -4,3515 *** -14,3172 *** -1,0004 -11,6170 *** 1,4358 -18,8859 ***
Convexité de la structure d’imposition
-2,8586 *** -4,6017 *** 3,0960 *** 1,0491 0,4641 -2,1672 ** 1,6244 0,9654
67
Tableau 12 : Résultats du test de Kolmogorov-Smirnov comparant les distributions des caractéristiques des 48 entreprises qui
ne se couvrent jamais avec les distributions des caractéristiques des 102 entreprises qui ont un ratio de couverture moyen
strictement positif
Variables Les 48 entreprises qui ne se couvrent jamais VS 102
entreprises qui ont un ratio de couverture moyen strictement positif
Bénéfice par action 0.2048***
Rentabilité des capitaux propres 0.0899***
Opportunités d’investissement 0.1259***
Levier financier 0.3435***
Liquidité 0.3488***
Paiement de dividendes 0.1085***
Réserves de pétrole 0.5890***
Réserves de gaz 0.5107***
Propriété institutionnelle 0.3519***
Nombre d’analystes 0.4321***
Indice de Herfindahl-Hirschman (pétrole) 0.0740***
Indice de Herfindahl-Hirschman (gaz) 0.0557***
Risque de la production de pétrole 0.0742***
Risque de la production de gaz 0.0653***
Ratio de couverture de la production de gaz future espérée
0.4245***
Pourcentage d’actions détenues par le président directeur général
0.2778***
Nombre d’options détenues par le président directeur général
0.2649***
Convexité de la structure d’imposition 0.0869***
68
Tableau 13 : Résultats du test de Kolmogorov-Smirnov comparant les distributions des caractéristiques des 48 entreprises qui
ne se couvrent jamais avec celles, respectivement, des entreprises qui se couvrent entre 0% et 39.99% du temps, des entreprises
qui se couvrent entre 40% et 59.99% du temps, des entreprises qui se couvrent entre 60% et 79.99% du temps et pour finir des
entreprises qui se couvrent entre 80% et 100% du temps
Entreprises qui ne se couvrent
jamais VS entreprises qui se couvrent plus que 0% et moins que 40% du temps
Entreprises qui ne se couvrent jamais VS entreprises qui se couvrent entre 40% et 59.99% du temps
Entreprises qui ne se couvrent jamais VS entreprises qui se couvrent entre 60% et 79.99% du temps
Entreprises qui ne se couvrent jamais VS entreprises qui se couvrent entre 80% et 100% du temps
Bénéfice par action 0.1219 *** 0.2105 *** 0.2407 *** 0.3026 ***
Rentabilité des capitaux propres
0.0399 0.1051 *** 0.1005 *** 0.1456 ***
Opportunités d’investissement
0.0651 *** 0.1232 *** 0.1777 *** 0.1653 ***
Levier financier 0.1988 *** 0.3188 *** 0.4197 *** 0.4733 ***
Liquidité 0.2649 *** 0.3337 *** 0.3957 *** 0.4379 ***
Paiement de dividendes 0.0597 ** 0.1214 *** 0.1861 *** 0.1649 ***
Réserves de pétrole 0.4267 *** 0.6239 *** 0.6268 *** 0.6896 ***
Réserves de gaz 0.3044 *** 0.5117 *** 0.6503 *** 0.6486 ***
Propriété institutionnelle 0.1113 *** 0.3426 *** 0.4430 *** 0.4963 ***
Nombre d’analystes 0.1661 *** 0.4485 *** 0.5211 *** 0.5852 ***
Indice de Herfindahl-Hirschman (pétrole)
0.0933 *** 0.0682 *** 0.0898 *** 0.1432 ***
Indice de Herfindahl-Hirschman (gaz)
0.0611 ** 0.0922 *** 0.0758 *** 0.0780 ***
Risque de la production de pétrole
0.1239 *** 0.1374 *** 0.0752 *** 0.1741 ***
Risque de la production de gaz
0.1037 *** 0.1106 *** 0.0588 ** 0.1576 ***
Ratio de couverture de la production de gaz future espérée
0.2166 *** 0.3494 *** 0.5158 *** 0.5899 ***
69
Pourcentage d’actions détenues par le président directeur général
0.1121 *** 0.3082 *** 0.2593 *** 0.4321 ***
Nombre d’options détenues par le président directeur général
0.0955 *** 0.3025 *** 0.2271 *** 0.4345 ***
Convexité de la structure d’imposition
0.1244 *** 0.1041 *** 0.1073 *** 0.1220 ***
70
Tableau 14 : Résultats de la première étape du modèle de Heckman (PROBIT tenant compte de la structure de panel de nos
données) :
- Toutes les variables indépendantes sont retardées d’une période
- Les logarithmes des variables relatives aux réserves de pétrole et de gaz ont été utilisées à la place des variables
originales
- La variable dépendante est la variable binaire prenant la valeur 1 lorsque le ratio de couverture est strictement positif et la
valeur 0 lorsque le ratio de couverture est nul
Coefficients Écarts-Types z P>z Intervalles de confiance
Pourcentage des compétiteurs qui se couvrent 4.5573 0.4708 9.6800 0.0000 3.6345 5.4802
Ratio de couverture de la production de gaz future espérée 1.3766 0.3658 3.7600 0.0000 0.6597 2.0935
Réserves de pétrole (en logarithme) -0.000029 0.0001 -0.2500 0.8020 -0.0003 0.0002
Réserves de gaz (en logarithme) 0.0000107 0.0000 1.0400 0.2970 -0.0000095 0.0000309
Rentabilité des capitaux propres -0.0172 0.0741 -0.2300 0.8170 -0.1624 0.1280
Bénéfice par action -0.0016 0.0015 -1.0500 0.2920 -0.0046 0.0014
Opportunités d’investissement 0.1621 0.0676 2.4000 0.0170 0.0296 0.2947
Levier financier 0.3217 0.1547 2.0800 0.0380 0.0186 0.6249
Liquidité -0.1704 0.0272 -6.2700 0.0000 -0.2237 -0.1172
Paiement de dividendes 0.1770 0.1465 1.2100 0.2270 -0.1102 0.4642
Propriété institutionnelle 0.4239 0.1652 2.5700 0.0100 0.1001 0.7477
Nombre d’analystes -0.0025 0.0083 -0.3000 0.7600 -0.0189 0.0138
Indice de Herfindahl-Hirschman (pétrole) 0.1790 0.2693 0.6600 0.5060 -0.3489 0.7069
71
Indice de Herfindahl-Hirschman (gaz) 0.0036 0.3106 0.0100 0.9910 -0.6051 0.6123
Risque de la production de pétrole 0.1455 0.1426 1.0200 0.3080 -0.1340 0.4249
Risque de la production de gaz -0.5662 0.1630 -3.4700 0.0010 -0.8857 -0.2467
Prix au comptant du pétrole 0.0039 0.0022 1.7600 0.0780 -0.0004 0.0083
Prix au comptant du gaz 0.0368 0.0161 2.2900 0.0220 0.0053 0.0683
Volatilité du prix du pétrole -0.0340 0.0118 -2.8800 0.0040 -0.0571 -0.0109
Volatilité du prix du gaz -0.0658 0.0600 -1.1000 0.2720 -0.1834 0.0517
Pourcentage d’actions détenues par le PDG 4.7159 3.2489 1.4500 0.1470 -1.6517 11.0836
Nombre d’options détenues par le PDG 0.000000048 0.000000099 0.4800 0.6290 -0.000000146 0.000000241
Convexité de la structure d’imposition -1.1001 0.8271 -1.3300 0.1830 -2.7212 0.5210
72
Tableau 15 : Résultats de la deuxième étape du modèle de Heckman (Régression multiple tenant compte de la structure de
panel de nos données) :
- Toutes les variables indépendantes sont retardées d’une période
- Les logarithmes des variables relatives aux réserves de pétrole et de gaz ont été utilisées à la place des variables
originales
- La variable dépendante est le ratio de couverture
Coefficients Écarts-Types z P>z Intervalles de confiance (95%)
Ratio de couverture de la production de gaz future espérée 0.4702 0.0542 8.6700 0.0000 0.3640 0.5764
Réserves de pétrole (en logarithme) 0.0217 0.0070 3.0800 0.0020 0.0079 0.0355
Réserves de gaz (en logarithme) 0.0000 0.0000 1.1800 0.2380 -0.0000016 0.0000065
Rentabilité des capitaux propres 0.0040 0.0128 0.3100 0.7550 -0.0211 0.0291
Bénéfice par action 0.0033 0.0031 1.0500 0.2920 -0.0028 0.0095
Opportunités d’investissement 0.0209 0.0199 1.0500 0.2940 -0.0181 0.0599
Levier financier 0.0832 0.0328 2.5400 0.0110 0.0190 0.1474
Liquidité 0.0031 0.0065 0.4700 0.6360 -0.0097 0.0159
Paiement de dividendes -0.0108 0.0202 -0.5400 0.5910 -0.0503 0.0287
Propriété institutionnelle -0.0193 0.0273 -0.7100 0.4810 -0.0727 0.0342
Nombre d’analystes -0.0015 0.0013 -1.1500 0.2490 -0.0041 0.0011
Indice de Herfindahl-Hirschman (pétrole) 0.1526 0.0394 3.8700 0.0000 0.0754 0.2298
Indice de Herfindahl-Hirschman (gaz) 0.1002 0.0524 1.9100 0.0560 -0.0025 0.2030
Risque de la production de pétrole 0.0545 0.0290 1.8800 0.0600 -0.0024 0.1114
Risque de la production de gaz -0.0439 0.0318 -1.3800 0.1680 -0.1063 0.0185
Prix au comptant du pétrole 0.0001866 0.0003 0.5400 0.5900 -0.0005 0.0009
Prix au comptant du gaz 0.0000255 0.0025 0.0100 0.9920 -0.0050 0.0050
Volatilité du prix du pétrole -0.0046 0.0019 -2.4500 0.0140 -0.0083 -0.0009
Volatilité du prix du gaz -0.0170 0.0099 -1.7200 0.0850 -0.0363 0.0024
Pourcentage d’actions détenues par le PDG -0.5149 0.5808 -0.8900 0.3750 -1.6533 0.6235
73
Nombre d’options détenues par le PDG 0.000000051 0.000000019 2.7300 0.0060 0.000000014 0.000000087
Convexité de la structure d’imposition 0.1506 0.1145 1.3200 0.1880 -0.0738 0.3749
Ratio de Mills Inverse 0.0662 0.0270 2.4500 0.0140 0.0132 0.1192
74
Bibliographie
- Adam, Tim R. et Fernando, Chitru S. et Salas, Jesus M. (2017). « Why do firms engage in
selective hedging? Evidence from the gold mining industry », Journal of Banking and
Finance, vol. 77, p. 269-282.
- Allayannis, George et Ofek, Eli (2001). « Exchange rate exposure, hedging, and the use of
foreign currency derivatives », Journal of International Money and Finance, vol. 20, no 2,
p. 273–296.
- Allayannis, George et Weston, James P. (2001). « The Use of Foreign Currency
Derivatives and Firm Market Value », The Review of Financial Studies, vol. 14, no 1, p.
243–276.
- Baltagi, Badi H. (2013). Econometric analysis of panel data 5th ed, Chichester, John Wiley
& Sons, Inc., 373 p.
- Berk, Jonathan B. et DeMarzo, Peter M. (2014). Finance d'entreprise 3e éd, Montreuil,
Pearson, 1129 p.
- Briggs, Derek C. (2004). « Causal inference and the Heckman model », Journal of
Educational and Behavioral Statistics, vol. 29, no 4, p. 397-420.
- Carter, David A. et Rogers, Daniel A. et Simkins, Betty J. (2006). « Does Hedging Affect
Firm Value? Evidence from the US Airline Industry», Financial Management, vol. 35, no
1, p. 53-86.
- Colquitt, Lee L. et Hoyt, Robert E. (1997). « Determinants of corporate hedging behavior:
Evidence from the life insurance industry », The Journal of Risk and Insurance, vol. 64,
no 4, p. 649-671.
- Dionne, Georges et Mnasri, Mohamed (2018). « Real implications of corporate risk
management: Review of main results and new evidence from a different methodology »,
L'Actualité Économique, vol. 94, no 4, p. 1-56.
- Dionne, Georges et Triki, Thouraya (2013). « On risk management determinants: what
really matters? », The European Journal of Finance, vol. 19, no 2, p. 145-164.
75
- Froot, Kenneth A. et Scharfstein, David S. et Stein, Jeremy C. (1993). « Risk Management:
Coordinating Corporate Investment and Financing Policies», The Journal Of Finance, vol.
48, no 5, p. 1629-1658.
- Godin, Antoine (2019). Les Déterminants de la Gestion des Risques et ses Implications sur
la Valeur, le Risque et la Performance Comptable de la Firme: Évidences Empiriques des
Producteurs de Pétrole Américains, [mémoire de maîtrise], Montréal, École des hautes
études commerciales, 107 p.
- Graham, John R. et Rogers, Daniel A. (2002). « Do Firms Hedge in Response to Tax
Incentives? », The Journal Of Finance, vol. 57, no 2, p. 815-839.
- Graham, John R. et Smith, Clifford W. (1999). « Tax Incentives To Hedge », The Journal
of Finance, vol. 54, no 6, p. 2241-2262.
- Haushalter, David G. (2000). « Financing Policy, Basis Risk, and Corporate Hedging:
Evidence from Oil and Gas Producers », The Journal of Finance, vol 55, no 1, p. 107-152.
- Heckman, James J. (1979). « Sample Selection Bias as a Specification Error »,
Econometrica, vol. 47, no 1, p. 153-161.
- Jin, Yanbo et Jorion, Philippe (2006). « Firm Value and Hedging: Evidence from U.S. Oil
and Gas Producers », The Journal of Finance, vol. 61, no 2, p. 893-919.
- Mo, Kun et Suvankulov, Farrukh et Griffiths, Sophie (2019). « Financial Distress and
Hedging: Evidence from Canadian Oil Firms », Working Paper, Bank of Canada.
- Modigliani, Franco et Miller, Mertons H. (1958). « The Cost of Capital, Corporation
Finance and the Theory of Investment », American Economic Association, vol. 48, no 3, p.
261-297.
- Smith, Clifford W. et Stulz, René M. (1985). « The Determinants of Firms' Hedging
Policies », Journal of Financial and Quantitative Analysis, vol. 20, no 4, p. 391-405.
- Tufano, Peter (1996). « Who Manages Risk? An Empirical Examination of Risk
Management Practices in the Gold Mining Industry », The Journal of Finance, vol. 51, no
4, p. 1097-1137.
76
- Wooldridge, Jeffrey M. (2010). Econometric analysis of cross section and panel data 2nd
ed, Cambridge, MIT Press, 1064 p.
- Zhu, Margaret R. (2012). « The Decision to Hedge and the Extent to Hedge », Working
Paper, City University of Hong Kong.